「匿名發言」制的兩難：助長言語暴力 vs. 守護民主價值

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

• 文／江鎬佑

2020 年對許多人來說都是難熬的一年，在這個難熬的一年裡台灣社會還是迎來了一些法制上的變革。其中在台灣已經存在百年的通姦罪，迎來了除罪化一事，可以算是舉足輕重的其中之一。

通姦罪在台灣的三個時期

如果從近百年通姦罪在台灣規範的歷史來看，大致可以將通姦罪畫分成三個時期，第一個時期是「真不平等」；第二個時期則可以理解為「假裝平等」，而第三個時期則是 2020 年後的「期待平等」。

100 年前的台灣正處於日治時期，以二次世界大戰前日本的刑法第 183 條條文規定的內容為：「有夫之婦通姦者，處 6 月以上 2 年未滿重禁錮，其相姦者亦如之。此條之罪，須有丈夫告訴而後論之。但丈夫先係縱容而通姦者，無告訴之效」，簡單來說需要受到通姦罪規範的只有「有夫之婦」，如果是「有婦之夫」在外偷情，則並非法律所要處罰的內容。

相同情況也發生在海彼岸的民國政府，當時甫成立的民國在制度上與日治的台灣在通姦規定上「殊途同歸」。1912 年，民國初年的暫行新刑律第 23 章中第 289 條「姦非及重婚罪」，其規範文字為：「和姦有夫之婦者，處四等以下有期徒刑或拘役，其相姦者亦同。」，到了 1928 年中華民國舊刑法的第 256 條，立法文字則是：「有夫之婦，與人通姦者，處 2 年以下有期徒刑；其相姦者亦同。」

簡單來說，在這個「真不平等」的時代，法律所保障的重點是夫權！女人只是男人的附庸替代品，進入婚姻中的女性必須以夫為天，從通姦的規範方式清楚地顯現家庭生活中丈夫對妻子的統治和支配權力。

保不了家又不公平的 75 年

時間來到了二次世界戰後的台灣到通姦除罪化的 2020 年前，這長達七十多年來的時間刑法主要對於通姦的規定內容為：「有配偶而與人通姦者，處 1 年以下有期徒刑。其相姦者亦同。」而在提起訴訟的程序要件上是屬於「告訴乃論」的類型，必須有告訴權的被害人提起告訴，國家才得以以刑事處罰介入「婚姻」，而在通姦罪中唯一的告訴權人是配偶。

按照刑事訴訟法第 239 條：「告訴乃論之罪，對於共犯之一人告訴或撤回告訴者，其效力及於其他共犯。但刑法第二百三十九條之罪，對於配偶撤回告訴者，其效力不及於相姦人。」

原則上這種需要被害人提告偵查機關跟法院才會受理的告訴乃論案件，你並不可以只追究案件裡的其中一個人，舉例來說小夫跟胖虎一起揍你，你對小夫或胖虎其中一個人提告，並不會阻止偵查機關對整件事的偵查，相同的假設你跟小夫因為和解而撤回對小夫的提告，效力也會及於胖虎。

唯一的例外就通姦罪，配偶跟人家打砲，你提告之後，可以僅就配偶的部分作撤銷，也就是說在刑事程序上法律允許你只原諒你的配偶，但不及於外面的「壞壞」小三或小王。

從刑事處罰來看，這個時期相較於戰前以「夫權為唯一保障標的」，直接在條文中展現不公平，規範上把生理男女都受到刑罰制裁的拘束，在訴訟程序上也是規定「配偶」，而不以夫或妻為條文規定不管夫還妻都要對婚姻忠誠，看似平等的規範方式，卻在實際運用到社會上後產生不公平的結果。

社會上及家庭中女性，受限於過往經濟社會角色的窠臼，使其處於經濟上的弱勢跟社會上的雙重評價，搭配了刑事訴訟法上的規定，結果卻變得適用上畸形的結果。因為女性過往經濟不獨立，使得女性面對家中主要經濟支柱出軌的行為，大多需要承擔與忍受，女性經濟上的弱勢導致其容易妥協與撤告，具體展現在個案中的結果，就成了女人為難女人。

即便到近數十年女性經濟逐漸獨立，也在現代社會的雙薪家庭中扮演著不可或缺的角色，理論上應該要一比一的男女有罪結果，實際上卻具體失衡，目前可見統計數據固然呈現女性遭判處有罪之比例，較男性多約 10％，這樣的數據雖然難說懸殊，但是長久穩固的差別，足以顯示制度所造成的結果不公。

上述經濟上的弱勢與社會上的雙重評價具體展現在輿論上的不友善，一如許宗力大法官在協同意見書中所述：「同樣是參與婚外性行為，女性通姦者遭到社會斥為淫娃蕩婦，而男性通姦者都只是犯了『天下男人都會犯的錯』」。

在第二個時期裡，法律是岳不群，姑且不論從性自主權的角度來看婚姻的本質上是一個法律身分上的契約，違約責任卻需要負擔法律刑罰，條文上面看起來的公平不過只是維持表面的和平，在相關案例中即便對配偶撤銷告訴，但是不可避免得讓配偶現身法庭中，進行詰問揭露更多違反忠誠的事實，事實上都只讓婚姻裡的人難以接受。

所以縱然國家想透過通姦罪去保障婚中的忠誠，雖然立法目的正當，但事實上沒有用，保不了家又產生不公平的結果，所以在 2020 年大法官解釋第 791 號，便宣告通姦罪違憲。而當通姦除罪化後，原本的通姦行為就只剩下違反婚姻中忠誠的「違約責任」，結論上就是民事賠償。

通姦民事化後的「期待平等」

台灣有幸的沒有如一些國家因為宗教課題，進而將同性性行為 (sodomy) 入罪化，然後在不盡人意但是終究在 2019 年走向同性婚姻合法化的這條道路。不過這些值得樂觀的場景並不等於台灣法治及社會對於性的入罪、性傾向，已經是個優等生。

相同的情況放到通姦除罪化的觀察也是相同，即便已經擺脫了法治所產生的不公平，但是整體社會對「違反婚姻忠誠義務」者的評價是否不因性別而不再有雙重標準，自然也不可能。

但一如同性婚姻合法化後爸爸媽媽沒有不見，社會對同志的視角逐步且對比過往更加友善，也許在通姦除罪化後的往後，我們也可以期待一個輿論對於違反性忠誠義務者逐步不再雙重標準的社會。

註解

1. 司法院釋字第七九一號解釋許宗力大法官協同意見書頁 4。
2. 司法院釋字第七九一號解釋許宗力大法官協同意見書頁 6。

學A片通姦可以嗎？想偷情前先來了解法律知識！

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位

• 採訪編輯｜劉芝吟
  美術編輯｜林洵安

AI 進入法律領域，該踩剎車嗎？

Alpha Go 打敗人類棋王，自駕車躍躍欲試，人工智慧不僅改變世界運作的規則，也逐漸從科技跨入人文社會領域。讓 AI 坐上審判席，會是追求正義的新解方嗎？AI 法官是鐵面無私的包青天，或者科技暴走的新危機？

「研之有物」專訪中研院法律學研究所特聘研究員李建良，從法學視角提供思辨觀點，我們不只應審視 AI 的技術能力，也必須嚴肅面對規範性界線。

人工智慧變身法律小幫手

十幾年前，電腦會揀土豆已經夠驚奇，現在的 AI 更是大進擊，能辨識人臉、駕駛汽車，根據 2019 年眾多媒體報導，歐洲愛沙尼亞甚至即將推行「AI 法官」！法律事務涉及事實認定、法條解釋與價值規範等多重問題，人工智慧果真已如此高「智慧」，有能力涉入複雜的法律領域？

中研院李建良特聘研究員說：「將 AI 應用到法律訴訟其實並非未來式，而是行之有年的現在式。」

在美國，近年法院已廣泛運用「COMPAS」系統，這是一套由商業公司開發的 AI ，幫助法官評估被告的再犯風險，作為量刑的準據。COMPAS 會進行大量問答調查，依據被告回答、年齡、過往犯罪紀錄與類型等各項資料，推估被告的再犯率，給出 1－10 的危險指數，最後由法官決定被告服刑的長短。

有研究指出，AI 判定為高風險者，63％ 在交保期間犯罪，其中 5％ 犯下性侵或謀殺。做為法官小幫手，AI 似乎確實能發揮一定程度的「鷹眼」，預測危險性。

法官不是人？！別急，再等等

從現況來看，人工智慧確實已進入國家司法系統，但目前仍作為「專家團隊」扮演輔助角色，由法官做裁決。那麼下一步， AI 有可能獨當一面坐上審判席嗎？

愛沙尼亞的 AI 法官計畫，似乎就朝著這個方向前進。

根據報導，AI 法官將處理小額民事訴訟案件（少於 7000 歐元，台幣約 24 萬），由原告方輸入訴訟對象、金額、提告理由等。AI 系統能從過往大量判例學習，解析法條做出判決。換句話說，隔壁鄰居摔壞你的 iPhone，你一狀告到法院，會由 AI 判定誰勝訴，鄰居該賠你一台手機或折價金額。對結果不服？可以上訴，將有人類法官審理。這項超級計畫如果成真，「法官不是人」恐怕就要從罵人話變為描述句了！

不過，李建良特別澄清：「媒體報導後，我們研究團隊成員曾請教愛沙尼亞法界人士，目前所知這是數位政府計畫的一部分，但應該還只停在『計畫』階段。」

他強調，若要把國家審判權完全交給 AI ，必定需要法源基礎，明確建立一套法規方案。由於目前愛沙尼亞並沒有出現相關法規，這個突破仍是「只聞樓梯響」。

AI 法官的技術邊界：它能做出好判決嗎？

儘管 AI 尚未披上法官袍，但愛沙尼亞構想彷彿是驚天一雷，預示出可能的未來圖像。許多人或許有同樣的好奇：AI 當法官究竟行不行？

李建良分成不同層次來討論：

行不行有兩層涵義：能力上行不行，規範上可不可以。

第一層次是「可能性」問題：AI 法官足以擔任人類法官的角色嗎？更直白地問：AI 真有那麼厲害，能夠做出好判決？

要確認 AI 的能力，首先我們得問：什麼是好判決？

「這牽涉社會對法院判決的評斷標準。」李建良分析，一種標準是檢視「判決結果」；另一種則是審視「判決理由」，法官在判決書詳述的心證，如調查結果、採信哪些證據、證據效力、法條依據等。

若觀察近年台灣社會的現象，大眾似乎較關注判決結果。好比引發社會矚目的「台鐵殺警案」，這樁尚未確定的爭議案件，引發了司法當局對司法鑑定制度的重視與檢討，而輿論譁然多半是殺人無罪的結論，批評法官「不接地氣」，關於心證過程的討論相對較少些。

換言之，假如重視結果，那不難想像 AI 法官有能力透過歸納、類比分析對案件做出判決。但若我們在乎法官為什麼、如何做出裁決，依照目前技術和愛沙尼亞計畫，AI 所產出的可能只有答案，但沒有理由（或較簡式的理由）。

這形成了第一重挑戰：

若 AI 法官無法清楚說明理由，我們如何檢視它的判決好不好？有沒有瑕疵？

有些人也質疑，AI 的精準、一致可能反倒是弱點。現行 AI 不具有真正理解他人的能力，無法實際參與答辯交鋒和開庭審理，而許多訊息來自臨場、個別案例的判讀，並非用數據化與資料化就足夠解釋，背後涉及文化、風俗、情境常識，相當複雜。

不過，AI 派並沒有全輸！

首先，技術可能超前突破，讓 AI 未來也有能力寫判決書、說明論證。另外若拿現行制度相比，美國陪審制同樣只宣告：「陪審團認為無罪」，不會附上理由。更何況所謂的情境判斷，經常也會造成主觀性偏誤，《美國國家科學院院刊》（PNAS）研究發現，接近午餐時間法官對假釋認定較嚴格，用餐休息後，假釋審查就變寬鬆了！

想要假釋，還得祈禱法官吃飽飽？恐怕多數人難以接受。

鐵面無私包青天？ 小心 AI 的內建歧視

總地來說，理性、客觀幾乎是 AI 的最大光環，以準確一致的邏輯做判斷，不受法官個人情緒與好惡影響。

但真是這樣嗎？許多研究證實：AI 默默戴上了有色眼鏡！ COMPAS 系統被抨擊帶有種族歧視，有色人種更容易被預測為高再犯率；亞馬遜招聘、蘋果信用卡信貸系統都曾被發現隱含性別差別待遇。

「這就如同人類一路走來看到的歷史不平等。」Amazon 資訊科學家說。

AI 系統在資料學習的過程，複製了人類長年累積的性別、種族、階級偏見。即便這些偏見已長久存在，但 AI 可能更強化不平等，因為人們會在毫無所覺下，信任科技工具的「客觀」訊息，對陌生人打分數。

然而，科技支持派沒有全盤放棄。AI 歧視是學來的，因應之策是在資料訓練時降低這些「標籤」，並且提供多樣性的資料。此外，比起人類刻意包裝、掩飾偏見，AI 反而有機會讓偏誤被「顯題化」，讓我們更加警覺，並進行修正。

綜合而論，若單從技術可能性評估，目前的 AI 也許不夠「聰明」，但是只要科技持續追求突破、進展，似乎沒有理由全盤否定 AI 法官可行性。畢竟，人類同樣也會犯錯、誤判、有偏見。

「從能力來看，AI 確實可以幫助人類、補位弱點，很值得期待未來發展。」李建良持平分析：「但國家是否應該開放制度，更重要的仍在第二層次的考量。」

AI 法官需要明確法源基礎

他點出更關鍵的第二層議題：從規範角度來看，讓 AI 當法官可不可以？

簡單來說，即使人工智慧有能力獨立分析、判決，我們應該把審判大權交給 AI 嗎 ？是否可能衍生倫理問題？

「第一個遇到的是：需不需要修憲？這是多數人忽略的框架。」專研憲法、行政法的李建良特別指出。法官的身分保障及審判獨立的要求是直接寫在憲法上頭的，但憲法規定的法官是不是專指「人」呢？法學界可能有不同論述。

如果憲法說的法官專指「人」，也就是法官審判權奠基在人的前提，勢必需要修憲。反之，就算憲法允許「非人」擔任法官，仍然需要修法 ── 如同剛拍板的《國民法官法》，國家同樣必須建立一套法制來規範非人法官。例如，適用民事或刑事案件？能上訴嗎？上訴後交給另一位 AI 法官（AI 會有不同法官嗎？），或者由人類法官打掉重來？

價值選擇的難題：科技優勢 VS 法律原則

法源基礎僅是第一步，對整個社會而言，AI 法官挑戰的是價值選擇的難題。

2013 年，美國威斯康辛州法院參酌 COMPAS 風險指標，判處被告 Eric Loomis 6 年徒刑。Loomis 不服而上訴最高法院，認為法庭以 AI 系統裁決是一種「秘密審判」！要求說明 COMPAS 系統如何演算判斷出危險值。

這個案例顯然暴露了 AI 法官的價值衝突：演算法黑箱（black box）。

「在民主法治國家，法官不是個人，他代表的是國家。審判必須在公開透明的運作下，被監督、檢驗、究責。」李建良說：「法院公開審理、法官說明判決理由，都是來自這種被檢驗的要求。」

倘若披上法官袍的 AI ，無法開庭、詰問、說明判決理由，讓審判攤在陽光下，勢必挑戰現行的法院體制，也可能稀釋透明、公開、負責的司法價值。我們無從知道它為何會做出 A 判決，而不是 B 判決，不能確定它有沒有失誤，也難以確認責任歸屬。

Loomis 案也突顯出另一挑戰：代罪羔羊！ AI 推測來自過往的資料，但「相似條件的其它人這麼做，不代表個別主體也會這麼做」。

這同時讓人擔憂 AI 的「因襲性」：社會信仰的美好價值是不斷翻轉、改變，有時正是因為劃時代的法院判決，才讓我們終於能破除傳統、確立新價值，例如美國法院推翻種族隔離平等制度，AI 法官會不會弱化、壓縮了法律肩負的深刻意義？

李建良直言，第一層次的「能力可行性」是人與 AI 的 比較參照，AI 能做到什麼，補足哪些人類弱點，帶來什麼優勢。

但最終，「倫理辯證」仍是無可迴避的關鍵核心，當新科技打破、牴觸基本價值，我們是否願意為了科技可能提供的「客觀公正」，放棄退讓這些原則？

人文關懷，也是艱困的價值論辯

「這不會是全面贊成／反對的選擇題，因為 AI 法官很難普遍性適用每一種案件。」李建良強調。

AI 在資料統整、數據分析上已大放異彩，導入科技新工具、人機合作，可以減輕法院負擔，也拉近一般人與訴訟裁決的距離。然而，法律範疇高度複雜，即便未來開放 AI 法官，也必定是在特定的條件、脈絡與案型。

他以行政法說明，「大埔農地要不要徵收？美麗灣渡假村能不能蓋？這類行政法案件極度複雜，牽涉環保、制度、法規多重衝突，還有價值選擇的命題，不太可能由 AI 獨立裁決。」

更重要的是，即使技術邊界有機會突破、修正，讓 AI 越來越聰明，我們也不應迴避第二層次的倫理辯證。這也正是人文學科最重要的價值關懷。

「我們很容易倒過來想，認為有這麼多好處，為什麼不開放、不使用？但人文學者關注的是價值倫理，一旦越過了某些界線，無論多少優勢，我們都必須謹慎、嚴肅地看待。」李建良提出艱難考驗做類比：

當你明確知道這人是兇手，卻沒有任何證據，這時我們要不要放棄無罪推定，不計手段堅持罪有應得？這就是價值選擇的論辯。很困難，但很重要！

延伸閱讀

• 臺灣人工智慧行動網
• 李建良個人網頁

本文轉載自中央研究院研之有物，原文為AI 當法官，會是正義女神的化身嗎？專訪李建良，泛科學為宣傳推廣執行單位