程式碼就是法律：智慧財產權法 或 機器人三大法則？

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜劉韋佐
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

人工智慧將改變以人為主的法治領域？

由人工智慧擔任警察，再也不是科幻電影的情節，交通管制常見的科技執法就是應用 AI 辨識闖紅燈、未依規定轉彎、車輛不停讓行人等違規行為。 AI 的客觀、高效率正在挑戰以人為審判主體的法治領域，這樣的轉變會對我們產生什麼影響呢？中央研究院「研之有物」專訪院內歐美研究所陳弘儒助研究員，他將帶我們思考：當 AI 取代人類執法時，將如何改變人們對守法的認知？

想像有一天你正在尖峰時段開車，車子停在十字路口等紅燈時，後方出現一輛急駛而來的救護車，你為了讓道必須開過停止線。這時你是否願意冒著違規被開罰的風險？還是承擔風險以換取他人盡速就醫？

在上述情境中，針對「要不要闖紅燈」我們經歷了一段價值判斷過程。如果剛好十字路口有真人警察，他的判斷可能是：這是情急之下不得不的行為，並非蓄意違規。

然而，如果負責執法的是「法律人工智慧系統」（Artificially legal intelligent，簡稱 ALI）情況可能截然不同。

ALI 這個詞源自 Mireille Hildebrandt 的研究，在概念上可區分為兩類：採取傳統程式碼的 IFTTT（if this then that）、運用機器學習的資料驅動。前者是注重法律推理或論證的計算機模型，將法律規範轉為程式碼，藉由程式編寫來執行法律任務。後者則透過大量資料的學習，來預測行為範式，用於再犯率、判決結果預測上有較好的成果。

一般情況下，應用在交通管制的 ALI 會辨識車輛是否超速、闖紅燈等違規行為，不過交通情境千變萬化，ALI 能否做出包含「道德價值的判斷」將是一大挑戰！

中研院歐美研究所陳弘儒助研究員察覺，人工智慧（AI）正在左右人們對守法的價值判斷及背後的因果結構，進而反思當我們將原本由人來判斷的事項，全權交由 AI 來執行時，可能產生哪些潛移默化的影響？

讓我們與陳弘儒展開一場從法哲學出發的對話，探索 AI 與法治價值之間的緊張關係。

怎麼會對「人工智慧」（AI）與「法律人工智慧系統」（ALI）產生研究興趣？

會對 AI 感興趣是因為我很早就對電腦有興趣，我原本大學想唸資訊工程，因為高中有些科目沒辦法唸，於是去唸文組，大學進入法律系就讀，研究所考入「基礎法學組」研讀法哲學。

後來我到美國讀書，當時 AlphaGo 的新聞造成很大的轟動，啟發我思考 AI 的應用應該有些法律課題值得探討，於是開始爬梳 AI 與法律的發展脈絡。

AI 這個詞大概在 1950 年代被提出，而 AI 與法律相關的討論則在 1970、80 年代就有學者開始思考：我們能否將法律推理過程電腦程式化，讓電腦做出跟法律人一樣的判斷？

事實上，AI 沒有在做推理，它做的是機率的演算，但法律是一種規範性的判斷，所有判斷必須奠基在法律條文的認識與解釋上，給予受審對象合理的判決理由。

這讓我好奇：如果未來廣泛應用 AI 執法，法律或受法律規範的民眾會怎麼轉變？

至於真正開始研究「法律人工智慧系統」（ALI）是受到我父親的啟發。有一陣子我經常開車南北往返，有一天我跟父親聊到用區間測速執法的議題。交通部曾在萬里隧道使用區間測速，計算你在隧道裡的平均速率，如果超速就開罰。

父親就問我：「政府有什麼理由用區間測速罰我？如果要開罰就必須解釋是哪一個時間點超速。」依照一般的數學邏輯，你一定有在某個時間點超速，所以平均起來的速率才會超過速限，可是法律判斷涉及規範性，我們必須思考背後的正當性課題，不能只用邏輯解釋，這啟發我逐漸把問題勾勒出來，試圖分析執法背後的規範性意涵。

如果將執行法律任務的權限賦予 AI，可能暗藏什麼風險？

我們先來談人類和 AI 在做判斷時的差別。人類無時無刻都在做判斷，判斷的過程通常會先做「區分」，例如在你面前有 A 和 B 兩個選項，在做判斷前必須先把 A 和 B 區分開來，讓選項有「可區別性」。

在資料龐大的情況下，AI 的優勢在於能協助人類快速做好區分，可是做判斷還需經歷一段 AI 難以觸及的複雜過程。人類在成長過程中會發展出一套顧及社會與文化認知的世界觀，做判斷時通常會將要區分的選項放進這個世界觀中，最終做出符合社會或自身考量的抉擇。

當我們將判斷程序交由 AI 執行，就會涉及「判斷權限移轉」的問題，這經常在日常生活中發生，你只要發現原本自己可以執行的事情，有另外一個對象做的比你好或差不多好，你就會漸漸把判斷的工作交給它，久而久之，你大概會覺得這是很好的做法，因為可以節省大量時間。

我擔心這種判斷權限移轉會快速且廣泛的發生，因為 AI 的工作效率極高，可以大幅節省人力成本，但是哪一些權限可以放給 AI？哪一些權限人類一定要守住？我們經常沒有充足的討論，等到發生問題再亡羊補牢可能為時已晚。

以讓道給救護車而闖紅燈的情境為例，如果讓 AI 來做交管，可以節省警察人力，又可以快速精準地開罰，卻迫使民眾需額外花時間，證明闖紅燈有正當理由。如果是真人警察來判斷，警察通常會認為你的行為有正當理由而不開罰。這對於受法律規範的民眾來說，會產生兩種全然不同的規範作用。

AI 產生的規範作用會讓民眾擔心事後銷單的麻煩程序，如果無法順利解決，可能會訴諸民意代表或上爆料公社，並漸漸改變民眾對守法的態度。而真人警察產生的規範作用，將使民眾自主展現對法律的高度重視，雖然當下的行為牴觸法律，卻是行為人經過多方權衡後做的判斷，相信法律會支持自己出於同理心的行為。

使用 AI 執法除了看上它的高效率，也是因為和真人相比 AI 不會受私情影響，比較可以做出公正的判斷。如果從法治觀念來看，為何決策權不能全權交由 AI 執行？

我認為法治的核心價值在臺灣並沒有很好的發展，我們常想的是怎麼用處罰促成民眾守法，長久下來可能會得到反效果。當人們養成凡事規避處罰的習慣，一旦哪天不再受法律約束，可能會失去守法的動機。

事實上，法治最根深柢固的價值為：

法律作為一種人類行為規範的展現，促使民眾守法的方式有很多種，關鍵在於尊重人的道德自主性，並向民眾陳述判決理由。

給理由非常重要，可以讓民眾不斷透過理由來跟自己和法律體系溝通。如此也可以形成一種互惠關係，使民眾相信，國家公權力能用適當的理由來制定法律，而制定出的法律是以尊重公民自主性為主。當民眾理解法律對我所處的社會有利，會比較願意自動產生守法的動機。

AI 執法看似比人類「公正無私」，但它的執法方式以處罰為主、缺乏理由陳述，也沒有對具體情境的「敏感性」。人跟人之間的互動經常需要敏感性，這樣才能理解他人到底在想什麼。這種敏感性是要鍛鍊的，真人警察可在執法過程中，透過拿捏不同情境的處理方式來累積經驗。

例如在交通尖峰時段應該以維持交通順暢為原則，這時警察是否具備判斷的敏感性就很重要，例如看到輕微的違規不一定要大動作開罰，可以吹個警笛給駕駛警示一下就好。

我越來越覺得人類這種互動上的敏感性很重要，我們會在跟他人相處的過程中思考：跟我溝通的對象是什麼樣的人？我在他心中是什麼模樣？然後慢慢微調表現方式，這是人類和 AI 最根本的不同。

相較於法律人工智慧，ChatGPT 等生成式 AI 強大的語言功能似乎更接近理想中的 AI，其發展可能對我們產生哪些影響？

我認為會有更複雜的影響。ChatGPT 是基於大型語言模型的聊天機器人，使用大量自然語言文本進行深度學習，在文本生成、問答對話等任務上都有很好的表現。因此，在與 ChatGPT 互動的過程中，我們容易產生一種錯覺，覺得螢幕後好像有一名很有耐心的真人在跟你對話。

事實上，對於生成式 AI 來說，人類只是刺激它運作的外在環境，人機之間的互動並沒有想像中的對等。

仔細回想一下整個互動過程，每當外在環境（人類）給 ChatGPT 下指令，系統才會開始運作並生成內容，如果我們不滿意，可以再調整指令，系統又會生成更多成果，這跟平常的人際互動方式不太一樣。

資工人員可能會用這個理由說明，生成式 AI 只是一種工具，透過學習大量資料的模式和結構，從而生成與原始資料有相似特徵的新資料。

上述想法可能會降低人們對「資料」（Data）的敏感性。由於在做 AI 訓練、測試與調整的過程中，都必須餵給 AI 大量資料，如果不知道資料的生產過程和內部結構，後續可能會產生爭議。

另一個關於資料的疑慮是，生成式 AI 的研發與使用涉及很多權力不對等問題。例如現在主流的人工智慧系統都是由私人公司推出，並往商業或使用者付費的方向發展，代表許多資料都掌握在這些私人公司手中。

資料有一種特性，它可以萃取出「資訊」（Information），誰有管道可以從一大群資料中分析出有價值的資訊，誰就有權力影響資源分配。換句話說，多數人透過輸入資料換取生成式 AI 的服務，可是從資料萃取出的資訊可能在我們不知情的狀況下對我們造成影響。

面對勢不可擋的生成式 AI 浪潮，人文社會學者可以做些什麼？

國外對於 AI 的運用開始提出很多法律規範，雖然國外關於價值課題的討論比臺灣多，但並不代表那些討論都很細緻深入，因為目前人類跟 AI 的相遇還沒有很久，大家還在探索哪些議題應該被提出，或賦予這些議題重新認識的架構。

這當中有一個重要課題值得思考：

我們需不需要訓練 AI 學會人類的價值判斷？

我認為訓練 AI 理解人類的價值判斷很可能是未來趨勢，因為 AI 的發展會朝人機互動模式邁進，唯有讓 AI 逐漸理解人類的價值為何，以及人類價值在 AI 運作中的局限，我們才有辦法呈現 AI 所涉及的價值課題。

當前的討論多數還停留在把 AI 當成一項技術，我認為這種觀點將來會出問題，強大的技術如果沒有明確的價值目標，是一件非常危險的事情。實際上，AI 的發展必定有很多價值課題涉入其中，或者在設計上有一些價值導向會隱而不顯，這將影響 AI 的運作與輸出成果。

思考怎麼讓 AI 理解人類價值判斷的同時，也等於在問我們人類：對我們來說哪一些價值是重要的？而這些重要價值的基本內容與歧異為何？

我目前的研究有幾個方向，一個是研究法律推理的計算機模型（Computational models of legal reasoning）；另一個是從規範性的層面去探討，怎麼把價值理論、政治道德（Political morality）、政治哲學等想法跟科技界交流。未來也會透過新的視野省視公民不服從議題。

這將有助科技界得知，有很多價值課題需要事先想清楚，影響將擴及工程師怎麼設計人工智慧系統？設計過程面臨哪些局限？哪些局限不應該碰，或怎麼把某些局限展現出來？我覺得這些認識都非常重要！

鐵面無私的 ALI ？人類與人工智慧執法最大的分野是什麼？

陳弘儒是臺灣少數以法哲學理論研究法律人工智慧系統（ALI）的學者，他結合各種現實情境，與我們談論 ALI、生成式 AI 與當代法治價值的緊張關係。

由於 ALI 擅長的資料分類與演算，與人類判斷過程中涉及的世界觀與敏感性思辨，有著根本上的差異；以處罰為主、缺乏理由陳述的判斷方式，也容易影響民眾對公權力的信任。因此陳弘儒認為，目前 ALI 應該以「輔助人類執法」為發展目標，讓人類保有最終的判斷權限。

至於現正快速發展的生成式 AI ，根據陳弘儒的觀察，目前仍有待各方專家探索其中的價值課題，包括資料提供與使用的權力不對等、哪些人類價值在訓練 AI 的過程中值得關注等。

在過去多是由人文社會學者提出警告，現在連 AI 領域的權威專家也簽署公開信並呼籲：AI 具有與人類競爭的智慧，這可能給社會和人類帶來巨大風險，應該以相應的關注和資源進行規劃和管理。

在訪談過程中，有一件令人印象深刻的小插曲，陳弘儒希望我們不要稱呼他「老師」，因為他從小就畏懼老師、警察等有權威身分的人，希望以更平等的方式進行對話。

假如今天以 AI 進行採訪，整個談話過程或許能不受倫理輩分影響，但這也讓我們意識到，在 AI 的世界裡，許多人際互動特有的敏感性、同理反思都可能不復存在。

陳弘儒的研究讓我們體會，AI 在法治領域的應用不僅是法律問題，背後更包含深刻的哲學、道德與權力課題，也讓我們更了解法治的核心價值：

法律要做的不只是規範人們的行為，而是透過理由陳述與溝通展現對每個人道德自主性的尊重。

星際捷徑

一個無底深淵怎能成為星際飛行的捷徑呢？原來按照愛因斯坦的理論，黑洞是一個時空曲率趨於無限大——也就是說，時空本身已「閉合」起來的區域。但往後的計算顯示，若收縮的星體質量足夠大的話，時空在閉合到某一程度之後，會有重新開敞的可能，而被吸入的物體，將可以重現於宇宙之中。只是，這個「宇宙」已不再是我們原先出發的宇宙，而是另一個宇宙、另一個時空（姑毋論這是甚麼意思）。按照這一推論，黑洞的存在，可能形成一條時空的甬道（稱為「愛因斯坦－羅森橋接」），將兩個本來互不相干的宇宙連接起來。

這種匪夷所思的推論固然可以成為極佳的科幻素材，但對於克服在我們這個宇宙中的星際距離，則似乎幫助不大。然而，一些科學家指出，愛因斯坦所謂的另一個宇宙，很可能只是這一宇宙之內的別的區域。如果是的話，太空船便可由太空的某處飛進一個黑洞之內，然後在遠處的一個「白洞」（white hole）那兒走出來，其間無須經歷遙遠的星際距離。把黑洞和白洞連結起來的時空甬道，人們形象地稱之為「蛆洞」、「蛀洞」或「蟲洞」（wormhole）。

「蛆洞」是否標誌著未來星際旅行的「捷徑」呢？不少科幻創作正以此為題材。其中最著名的，是《星艦奇航記》第三輯《太空站深空 9 號》（Deep Space Nine, 1993-1999），在劇集裡，人類發現了一個遠古外星文明遺留下來的「蛆洞」，於是在旁邊建起了一個龐大的星際補給站，成為了星際航運的聚散地，而眾多精彩的故事便在這個太空站內展開。

我方才說「最著名」，其實只限於《星艦》迷而言。對於普羅大眾，對於「蛆洞」作為星際航行手段的認識，大多數來自二○一四年的電影《星際效應》（Interstellar，港譯：《星際啟示錄》），其間人類不但透過蛆洞去到宇宙深處尋找「地球 2.0」（因為地球環境已大幅崩壞），男主角更穿越時空回到過去，目睹多年前與年幼女兒生離死別的一幕。電影中既有大膽的科學想像，也有感人的父女之情，打動了不少觀眾。大家可能有所不知的是，導演基斯杜化．諾蘭（Christopher Nolan, 1970-）邀請了知名的黑洞物理學基普．索恩（Kip Thorne, 1940-）作顧問，所以其中所展示的壯觀黑洞景象，可不是憑空杜撰而是有科學根據的呢！

那麼蛆洞是否就是人類進行星際探險的寄託所在呢？

然而事情並非這麼簡單。我們不要忘記，黑洞的周圍是一個十分強大的引力場，而且越接近黑洞，引力的強度越大，以至任何物體在靠近它時，較為接近黑洞的一端所感受到的引力，與較為遠離黑洞的一端所感受到的，將有很大的差別。這種引力的差別形成了一股強大之極的「潮汐張力」（tidal strain），足以把最堅固的太空船（不要說在內的船員）也撕得粉碎。

潮汐張力的危險不獨限於黑洞，方才提及的中子星，其附近亦有很強的潮汐力。 拉瑞．尼文（Larry Niven, 1938-，港譯：拉利．尼雲）於一九六六年所寫的短篇〈中子星〉（Neutron Star），正以這一危險作為故事的題材。

尤有甚者，即使太空船能抵受極大的潮汐力，在黑洞的中央是一個時空曲率趨於無限，因此引力也趨於無限的時空「奇點」（singularity）。太空船未從白洞重現於正常的時空，必已在「奇點」之上撞得粉碎，星際旅程於是變了死亡旅程。

然而，往後的研究顯示，以上的描述只適用於一個靜止的、沒有旋轉的黑洞，亦即「史瓦西解」所描述的黑洞。可是在宇宙的眾多天體中，絕大部分都具有自轉。按此推論，一般黑洞也應具有旋轉運動才是。要照顧到黑洞自旋的「場方程解」，可比單是描述靜止黑洞的史瓦西解複雜得多。直至一九六三年，透過了紐西蘭數學家羅伊・卡爾（Roy Kerr, 1934-）的突破性工作，人類才首次得以窺探一個旋轉黑洞周圍的時空幾何特性。

旋轉的黑洞

科學家對「卡爾解」（The Kerr solution）的研究越深入，發現令人驚異的時空特性也越多。其中一點最重要的是：黑洞中的奇點不是一個點，而是一個環狀的區域。即只要我們避免從赤道的平面進入黑洞，理論上我們可以毋須遇上無限大的時空曲率，便可穿越黑洞而從它的「另一端」走出來。

不用說，旋轉黑洞（也就是說，自然界中大部分的黑洞）立即成為科幻小說作家的最新寵兒。

一九七五年，喬．哈德曼（Joe Haldeman,1943-）在他的得獎作品《永無休止的戰爭》（The Forever War, 1974）之中，正利用了快速旋轉的黑洞（在書中稱為「塌陷體」——collapsar）作用星際飛行——以及星際戰爭得以體現的途徑。

由於黑洞在宇宙中的分佈未必最方便於人類的星際探險計劃，一位科學作家阿德里安．倍里（Adrian　Berry,1937-2016）更突發奇想，在他那充滿想像的科普著作《鐵的太陽》（The Iron Sun, 1977）之中，提出了由人工製造黑洞以作為星際轉運站的大膽構思。

要特別提出的一點是，飛越旋轉黑洞雖可避免在奇點上撞得粉碎，卻並不表示太空船及船上的人無須抵受極強大的潮汐力。如何能確保船及船員在黑洞之旅中安然無恙，是大部分作家都只有輕輕略過的一項難題。

此外，按照理論顯示，即使太空船能安然穿越黑洞，出來後所處的宇宙，將不是我們原先出發的那個宇宙；而就算是同一個宇宙，也很可能處於遙遠的過去或未來的某一刻。要使這種旅程成為可靠的星際飛行手段，科幻作家唯有假設人類未來對黑洞的認識甚至駕馭，必已達到一個我們今天無法想像的水平。

然而，除了作為星際飛行途徑，黑洞本身也是一個怪異得可以的地方，因此也是一個很好的科幻素材。黑洞周圍最奇妙的一個時空特徵，就是任何事物——包括光線——都會「一進不返」的一道分界線，科學家稱之為「事件穹界」（event horizon）。這個穹界（實則是一個立體的界面），正是由當年史瓦西計算出來的「史瓦西半徑」（Schwarzschild radius）所決定。例如太陽的穹界半徑是三公里，也就是說，假若一天太陽能收縮成一個半徑小於三公里的天體，它將成為一個黑洞而在宇宙中消失。「穹界」的意思就是時空到了這一界面便有如到了盡頭，凝頓不變了。

簡單地說，穹界半徑就是物體在落入黑洞時的速度已達於光速，而相對論性的「時間延長效應」（time dilation effect）則達到無限大。對太空船上的人來說，穿越界面的時間只是極短的頃刻，但對於一個遠離黑洞的觀測者，他所看到的卻是：太空船越接近界面，船上的時間變得越慢。

而在太空船抵達界面時，時間已完全停頓下來。換句話說，相對於外界的人而言，太空船穿越界面將需要無限長的時間！

無限延長的痛苦

了解到這一點，我們便可領略波爾．安德遜（Poul Anderson, 1926-2001）的短篇〈凱利〉（Kyrie, 1968）背後的意念。故事描述一艘太空船不慎掉進一個黑洞，船上的人自是全部罹難。但對於另一艘船上擁有心靈感應能力的一個外星人來說，情況卻有所不同。理由是她有一個同樣擁有心靈感應能力的妹妹在船上，而遇難前兩人一直保持心靈溝通。由於黑洞的特性令遇難的一剎（太空船穿越穹界的一剎）等於外間的永恆，所以這個生還的外星人，畢生仍可在腦海中聽到她妹妹遇難時的慘叫聲。

安德遜這個故事寫於一九六八年，可說是以黑洞為創作題材的一個最早嘗試。

太空船在穹界因時間停頓而變得靜止不動這一情況在阿爾迪斯一九七六年寫的《夜裡的黑暗靈魂》（The Dark Soul of the Night）中，亦有頗為形象的描寫。恆星的引力崩塌，在羅伯特．史弗堡（Robert Silverberg）的《前往黑暗之星》（To the Dark Star, 1968）之中卻帶來另一種（雖然是假想的）危險。故事中的主人翁透過遙感裝置「親身」體驗一顆恆星引力塌陷的過程，卻發覺時空的扭曲原來可以使人的精神陷於瘋狂甚至崩潰的境地。

以穹界的時間延長效應為題材的長篇小說，首推弗雷德里克．波爾（Frederik Pohl, 1919-2013）的得獎作品《通道》（Gateway, 1977），故事描述人類在小行星帶發現了由一族科技極高超的外星人遺留下來的探星基地。基地內有很多完全自動導航的太空船，人類可以乘坐這些太空船穿越「時空甬道」抵達其他的基地，並在這些基地帶回很多珍貴的，因此也可以令發現者致富的超級科技發明。

故事的男主角正是追尋這些寶藏的冒險者之一。他和愛人和好友共乘一艘外星人的太空船出發尋寶，卻不慎誤闖一顆黑洞的範圍。後來他雖逃脫，愛人和好友卻掉進黑洞之中。但由於黑洞穹界的時間延長效應，對於男主角來說，他的愛人和好友永遠也在受著死亡那一刻的痛苦，而他也不歇地受著內疚與自責的煎熬。

故事的內容由男主角接受心理治療時逐步帶出。而特別之處，在於進行心理治療的醫生不是一個人，而是一副擁有接近人類智慧的電腦。全書雖是一幕幕的人機對話，描寫卻是細膩真摯、深刻感人，實在是一部令人難以忘懷的佳作。

由於這篇小說的成功，波氏繼後還寫了兩本續集：《藍色事件穹界以外》（Beyond the Blue Event Horizon, 1980）及《希徹會晤》（Heechee Rendezvous, 1984）。而且兩本都能保持很高的水準。

時間延長效應並非一定帶來悲劇。在先前提及的《永無休止的戰爭》的結尾，女主角正是以近光速飛行（而不是飛近黑洞）的時間延長效應，等候她的愛侶遠征歸來，為全書帶來了令人驚喜而又感人的大團圓結局。

七○年代末的黑洞熱潮，令迪士尼（Walt Disney）的第一部科幻電影製作亦以此為題材。在一九七九年攝製的電影《黑洞》（The Black Hole）之中，太空船「帕魯明諾號」在一次意外中迷航，卻無意中發現了失蹤已久的「天鵝號」太空船。由於「天鵝號」環繞著一個黑洞運行，船上的人因時間延長效應而衰老得很慢。這艘船的船長是一個憤世疾俗的怪人，他的失蹤其實是故意遠離塵世。最後，他情願把船撞向黑洞也不願重返文明。

比起史提芬．史匹堡（Steven Spielberg, 1946-）的科幻電影，這部《黑洞》雖然投資浩大，拍來卻是平淡乏味，成績頗為令人失望。除了電影外，科幻作家艾倫．迪安．霍斯特（Alan Dean Foster, 1946-）亦根據劇本寫成的一本同名的小說。

——本文摘自《超次元．聖戰．多重宇宙》，2023 年 11 月，二○四六出版，未經同意請勿轉載。