朋友會影響你對食物的選擇

本文由 ASM 委託，泛科學企劃執行。 

以人類現在的科技，我們能精準打造出每一面牆只有原子厚度的房子嗎？在半導體的世界，我們做到了！

如果將半導體製程比喻為蓋房子，「薄膜製程」就像是在晶片上堆砌層層疊疊的磚塊，透過「微影製程」映照出房間布局 — 也就是電路，再經過蝕刻步驟雕出一格格的房間 — 電晶體，最終形成我們熟悉的晶片。為了打造出效能更強大的晶片，我們必須在晶片這棟「房子」大小不變的情況下，塞進更多如同「房間」的電晶體。

因此，半導體產業內的各家大廠不斷拿出壓箱寶，一下發展環繞式閘極、3D封裝等新設計。一下引入極紫外曝光機，來刻出更微小的電路。但別忘記，要做出這些複雜的設計，你都要先有好的基底，也就是要先能在晶圓上沉積出一層層只有數層原子厚度的材料。

現在，這道薄膜製程成了電晶體微縮的一大關鍵。原子是物質組成的基本單位，直徑約0.1奈米，等於一根頭髮一百萬分之一的寬度。我們該怎麼精準地做出最薄只有原子厚度，而且還要長得非常均勻的薄膜，例如說3奈米就必須是3奈米，不能多也不能少？

這唯一的方法就是原子層沉積技術（ALD，Atomic Layer Deposition）。

小小的電晶體是怎麼做出來的？

蓋房子的第一步是什麼？沒錯，就是畫設計圖。只不過，在半導體的世界裡，我們不需要大興土木，就能將複雜的電路設計圖直接印到晶圓沉積的材料上，形成錯綜複雜的電路 — 這就是晶片製造的最重要的一環「微影製程」。

首先，工程師會在晶圓上製造二氧化矽或氮化矽絕緣層，進行第一次沉積，放上我們想要的材料。接著，為了在這層材料上雕出我們想要的電路圖案，會再塗上光阻劑，並且透過「曝光」，讓光阻劑只留下我們要的圖案。一次的循環完成後，就會換個材料，重複沉積、曝光、蝕刻的流程，這就像蓋房子一樣，由下而上，蓋出每個樓層，最後建成摩天大樓。

薄膜沉積是關鍵第一步，基底的品質決定晶片的穩定性。但你知道嗎？不只是堆砌磚塊有很多種方式，薄膜沉積也有多樣化的選擇！在「薄膜製程」中，材料學家開發了許多種選擇來處理這項任務。薄膜製程大致可分為物理和化學兩類，物理的薄膜製程包括蒸鍍、濺鍍、離子鍍、物理氣相沉積、脈衝雷射沉積、分子束磊晶等方式。化學的薄膜製程包括化學氣相沉積、化學液相沉積等方式。不同材料和溫度條件會選擇不同的方法。

化學氣相沉積是現今最常見的沉積技術

二氧化矽、碳化矽、氮化矽這些半導體材料，特別適合使用化學氣相沉積法（CVD, Chemical Vapor Deposition）。CVD 的過程也不難，氫氣、氬氣這些用來攜帶原料的「載氣」，會帶著要參與反應的氣體或原料蒸氣進入反應室。當兩種以上的原料在此混和，便會在已被加熱的目標基材上產生化學反應，逐漸在晶圓表面上長出我們的目標材料。

如果我們想增強半導體晶片的工作效能呢？那麼你會需要 CVD 衍生的磊晶（Epitaxy）技術！磊晶的過程就像是在為房子打「地基」，只不過這個地基的每一個「磚塊」只有原子或分子大小。透過磊晶，我們能在矽晶圓上長出一層完美的矽晶體基底層，並確保這兩層矽的晶格大小一致且工整對齊，這樣我們建造出來的摩天大樓就有最穩固、扎實的基礎。磊晶技術的精度也是各公司技術的重點。

雖然 CVD 是我們最常見的薄膜沉積技術，但隨著摩爾定律的推進，發展 3D、複雜結構的電晶體構造，薄膜也開始需要順著結構彎曲，並且追求精度更高、更一致的品質。這時 CVD 就顯得力有未逮。

原子層沉積是什麼？

並不是說 CVD 不能用，實際上，不管是 CVD 還是其他薄膜製程技術，在半導體製程中仍占有重要地位。但重點是，隨著更小的半導體節點競爭愈發激烈，電晶體的設計也開始如下圖演變。

看出來差別了嗎？沒錯，就是構造越變越複雜！這根本是對薄膜沉積技術的一大考驗。

舉例來說，如果要用 CVD 技術在如此複雜的結構上沉積材料，就會出現像是清洗杯子底部時，有些地方沾不太到洗碗精的狀況。如果一口氣加大洗碗精的用量，雖然對杯子來說沒事，但對半導體來說，那些最靠近表層的地方，就會長出明顯比其他地方厚的材料。

該怎麼解決這個問題呢？

材料學家的思路是，要找到一種方法，讓這層薄膜長到特定厚度時就停止繼續生長，這樣就能確保各處的薄膜厚度均勻。這種方法稱為 ALD，原子層沉積，顧名思義，以原子層為單位進行沉積。其實，ALD 就是 CVD 的改良版，最大的差異在所選用的化學氣體前驅物有著顯著的「自我侷限現象」，讓我們可以精準控制每次都只鋪上一層原子的厚度，並且將一步驟的反應拆為兩步驟。

在 ALD 的第一階段，我們先注入含有 A 成分的前驅物與基板表面反應。在這一步，要確保前驅物只會與基板產生反應，而不會不斷疊加，這樣，形成的薄膜，就絕對只有一層原子的厚度。反應會隨著表面空間的飽和而逐漸停止，這就稱為自我侷限現象。此時，我們可以通入惰性氣體將多餘的前驅物和副產物去除。在第二階段，我們再注入含有 B 成分的化學氣體，與早已附著在基材上的 A 成分反應，合成為我們的目標材料。

透過交替特殊氣體分子注入與多餘氣體分子去除的化學循環反應，將材料一層一層均勻包覆在關鍵零組件表面，每次沉積一個原子層的薄膜，我們就能實現極為精準的表面控制。

ASM 與 ALD、半導體產業攜手前進

你知道 ALD 領域的龍頭廠商是誰嗎？這個隱形冠軍就是 ASM！ASM 是一家擁有 50 年歷史的全球領先半導體設備製造廠商，自 1968 年，Arthur del Prado 於荷蘭創立 ASM 以來，ASM 一直都致力於推進半導體製程先進技術。2007 年，ASM 的產品 Pulsar ALD 更是成為首個運用在量產高介電常數金屬閘極邏輯裝置的沉積設備。至今 ASM 不僅在 ALD 市場佔有超過 55% 的市佔率，也在 PECVD、磊晶等領域有著舉足輕重的重要性。

ASM 一直持續在快速成長，現在在北美、歐洲、及亞洲等地都設有技術研發與製造中心，營運據點廣布於全球 15 個地區。ASM 也很看重有「矽島」之稱的台灣市場，目前已在台灣深耕 18 年，於新竹、台中、林口、台南皆設有辦公室，並且在 2023 年於南科設立培訓中心，高雄辦公室也將於今年年底開幕！

當然，ALD 也不是薄膜製程的終點。

ASM 作為半導體設備領導廠商，為了維持領先優勢，當然也得持續開發新技術。例如 PEALD，ALD 前面的 PE，是 Plasma Enhanced，所以這種改良技術就稱為電漿輔助式原子層沉積。做法是針對 ALD 的第一步，先以電漿方式，將氫、氧、氮等氣體電離成離子。這些氣體離子，例如氧自由基，會先將前驅物提前氧化，同時也氧化基材的表面原子，使其產生缺少電子配對、不穩定的「懸空鍵」。如此被活化的基材與前驅物，就更容易互相產生反應，解決過去 ALD 常遇到前驅物反應率不足的問題。讓反應溫度更低的同時還能加快反應速度，因此能滿足更多的製程需求。未來不論是 GAA 環繞式閘極電晶體還是其他製程，都會持續看到 ALD 技術的身影。

最後，ASM 即將出席由國際半導體產業協會主辦的 SEMICON Taiwan 策略材料高峰論壇和人才培育論壇，就在 9 月 5 號的南港展覽館。如果你想掌握半導體產業的最新趨勢，絕對不能錯過！

本文由 美國穀物協會 委託，泛科學企劃執行。

你加過「酒精汽油」嗎？

2007 年，從台北的八座加油站開始，民眾可以在特定加油站選加「E3 酒精汽油」。

所謂的 E3，指的是汽油中有百分之 3 改為酒精。如果你在其他國家的加油站看到 E10、E27、E100 等等的標示，則代表不同濃度，最高到百分之百的酒精。例如美國、英國、印度、菲律賓等國家已經開放到 E10，巴西則有 E27 和百分之百酒精的 E100 選項可以選擇。

為什麼要加酒精呢？

單論玉米乙醇來說，碳排放趨近於零。為什麼呢？因為從玉米吸收二氧化碳與水進行光合作、生長、成熟，接著被採收，發酵成為玉米乙醇，最後燃燒成二氧化碳與水蒸氣回到大氣中。這一整趟碳循環與水循環，淨排放都是 0，是個零碳的好燃料來源。

當然，我們無法忽略的是燃料運輸、儲藏、以及製造生產設備時產生的碳足跡。即使如此，美國農業部經過評估分析，2017 發表的報告指出，玉米乙醇生命週期的碳排放量比汽油少了 43%。

「玉米乙醇」納入 SAF（永續航空燃料）前瞻性指引的選項之一

航空業占了全球碳排的 2.5%，而根據國際民用航空組織（ICAO）的預測，這個數字還會成長，2050 年全球航空碳排放量將會來到 2015 年的兩倍。這也使得以生質原料為首的「永續航空燃料」SAF，開始成為航空業減碳的關鍵，及投資者關注的新興科技。

只要燃料的生產符合永續，都可被歸類為 SAF。目前美國材料和試驗協會規範的 SAF 包含以合成方式製造的合成石蠟煤油 FT-SPK、透過發酵與合成製造的異鏈烷烴 SIP。以及近年討論度很高，以食用油為原料進行氫化的 HEFA，以及酒精航空燃料 ATJ（alcohol-to-jet）。

每種燃料的原料都不相同，因此需要的技術突破也不同。例如 HEFA 是將食用油重新再造成可用的航空燃料，因此製造商會從百萬間餐廳蒐集廢棄食用油，再進行「氫化」。

就引擎來說，我們當然也希望用到穩定的油。因此需要氫化來將植物油轉化為如同動物油般的飽和脂肪酸。氫化會打斷雙鍵，以氫原子佔據這些鍵結，讓氫在脂肪酸上「飽和」。此時因為穩定性提高，不易氧化，適合保存並減少對引擎的負擔。

至於酒精加工為酒精航空燃料 ATJ 的流程。乙醇會先進行脫水為乙烯，接著聚合成約 6~16 碳原子長度的長鏈烯烴。最後一樣進行氫化打斷雙鍵，成為長鏈烷烴，性質幾乎與傳統航空燃料一模一樣。

ATJ 和 HEFA 雖然都會經過氫化，但 ATJ 的反應中所需要的氫氣大約只有一半。另外，HEFA 取用的油品來源來自餐廳，雖然是幫助廢油循環使用的好方法，但供應多少比較不穩定。相對的，因為 ATJ 來源是玉米等穀物，通常農地會種植專門的玉米品種進行生質乙醇的生產，因此來源相對穩定。

但不論是哪一種 SAF，都有積極發展的價值。而航空業也不斷有新消息，例如阿聯酋航空在 2023 年也成功讓波音 777 以 100％ 的 SAF 燃料完成飛行，締下創舉。

汽車業也需要作出重要改變

根據長年推動低碳交通的國際組織 SLoCaT 分析，在所有交通工具的碳排放中，航空業佔了其中的 12%，而公路交通則占了 77%。沒錯，航空業雖然佔了全球碳排的 2.5%，但真正最大宗的碳排來源，還是我們的汽車載具。

但是這個新燃料會不會傷害我們的引擎呢？有人擔心，酒精可能會吸收空氣中的水氣，對機械設備造成影響？

其實也不用那麼擔心，畢竟酒精汽油已經不只是使用一、二十年的東西了。美國聯邦政府早在 1978 就透過免除 E10 的汽油燃料稅，來推廣添加百分之 10 酒精的低碳汽油。也就是說，酒精汽油的上路試驗已經快要 50 年。

有那麼多的研究數據在路上跑，當然不能錯過這個機會。美國國家可再生能源實驗室也持續進行調查，結果發現，由於 E10 汽油摻雜的比例非常低，和傳統汽油的化學性質差異非常小，這 50 年來的車輛，只要符合國際標準製造，都與 E10 汽油完全相容。

解惑：這些生質酒精的來源原料是否符合永續的精神嗎？

在環保議題裡，這種原本以為是一片好心，最後卻是環境災難的案例還不少。玉米乙醇也一樣有相關規範，例如歐盟在再生能源指令 RED II 明確說明，生質乙醇等生物燃料確實有持續性，但必須符合「永續」的標準，並且因為使用的原料是穀物，因此需要確保不會影響糧食供應。

好消息是，隨著目標變明確，專門生產生質酒精的玉米需求增加，這也帶動品種的改良。在美國，玉米產量連年提高，種植總面積卻緩步下降，避開了與糧爭地的問題。

另外，單位面積產量增加，也進一步降低收穫與運輸的複雜度，總碳排量也觀察到下降的趨勢，讓低碳汽油真正名實相符。

隨著航空業對永續航空燃料的需求抬頭，低碳汽油等生質燃料或許值得我們再次審視。看看除了鋰電池車、氫能車以外，生質燃料車，是否也是個值得加碼投資的方向？

參考資料

• Corn to Power Airplanes? Biden Administration Sets a High Bar. – The New York Times
• 台灣中油全球資訊網-加油站查詢
• https://grains.org.tw/最新科學研究：玉米燃料乙醇大幅減少溫室氣體排/
• USDA Releases New Report on Lifecycle Greenhouse Gas Balance of Ethanol
• https://scijournals.onlinelibrary.wiley.com/doi/10.1002/bbb.2225
• 本田・GE100% 可持續燃料航空引擎測試成功
• 阿聯酋航空邁向永續 完成 100％ SAF 驅動單一引擎首航
• https://tcc-gsr.com/module-1/transforming-transport-and-mobility/

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。