為什麼 AI 治理越來越重要？
隨著 AI 滲透到醫療、金融、司法等高風險領域，「AI 做出的決定公平嗎？」「出錯了誰負責？」這些問題變得無法迴避。iPAS 考試近年也大幅增加了這個面向的題目。
AI 倫理五大原則
1. 公平性（Fairness）
AI 系統不應對特定族群產生歧視。常見問題：
- 訓練資料偏差：如果訓練資料中某族群比例過低，模型可能對該族群表現較差
- 演算法偏差：模型可能學到資料中的歷史歧視
2. 透明性（Transparency）
使用者有權知道 AI 如何做出決定。包括：
- 模型使用了哪些資料
- 決策的依據是什麼
- AI 參與了決策的哪些環節
3. 可解釋性（Explainability）
不只要透明，還要「講得清楚」。黑箱模型（如深度學習）的可解釋性是一大挑戰。常見工具：
- LIME（Local Interpretable Model-agnostic Explanations）
- SHAP（SHapley Additive exPlanations）
4. 隱私保護（Privacy）
AI 訓練需要大量資料，但個人資料的收集和使用必須合規。相關技術：
- 聯邦學習（Federated Learning）：資料不出域，模型到資料端訓練
- 差分隱私（Differential Privacy）：在資料中加入雜訊，保護個體隱私
5. 問責制（Accountability）
AI 造成損害時，必須有明確的責任歸屬。這涉及到法律、組織架構和技術設計。
國際 AI 法規動態
歐盟 AI Act
全球第一部全面性的 AI 法規，2024 年通過、2025 年陸續實施。核心概念是「風險分級」：
| 風險等級 | 說明 | 範例 |
|---|---|---|
| 不可接受 | 禁止使用 | 社會信用評分、大規模監控 |
| 高風險 | 嚴格監管 | 醫療 AI、自駕車、招聘系統 |
| 有限風險 | 透明義務 | 聊天機器人需揭露 AI 身分 |
| 最小風險 | 無特殊要求 | 垃圾信過濾、遊戲 AI |
台灣 AI 基本法
台灣正在推動 AI 基本法立法，重點包括：
- 建立 AI 風險管理框架
- 保障個人資料權益
- 促進 AI 產業發展與國際接軌
考試出題方向
- 概念題：AI 倫理五大原則的定義與區別
- 情境題：給定場景，判斷違反了哪個倫理原則
- 法規題：歐盟 AI Act 的風險分級制度
- 技術題：可解釋性工具（LIME、SHAP）的基本概念
備考建議
這個主題不需要死背，理解原則的「精神」就能回答大部分題目。重點是能在情境題中判斷出哪個原則被違反。