負責任的 AI 導論

課程概述

模型能回答問題，不代表答案一定公平、安全，也不代表使用者知道資料被拿去做什麼。這篇用 Google 的 AI 原則當起點，看看開發一個應用時，該在哪些地方檢查偏差、保護資料，並讓人知道系統的限制。

你將學到

• 列舉並解釋 Google 的 AI 七大原則
• 識別 AI 開發中的四類不應觸碰的領域
• 理解偏差（Bias）在 AI 系統中如何產生與擴大
• 認識 Google Cloud 提供的 Responsible AI 工具與資源

核心概念

先分清楚：課程版本與現行原則不同

這門課沿用的是 Google 2018 年發布的七項 AI 原則，下面這份清單是本文整理的這七項原則。不過實務上別把它當成現行版本：Google 已在 2025 年把官方框架更新為「大膽創新」、「負責任地開發與部署」和「攜手合作、共同進步」三大主軸。準備舊課程時先理解七項原則，做新專案時則要回頭查看現行官方原則。

1. 對社會有益（Be socially beneficial） — AI 應用應為社會帶來正面價值
2. 避免產生或強化不公平偏見（Avoid creating or reinforcing unfair bias） — 積極防範對弱勢群體的歧視
3. 為安全而建構與測試（Be built and tested for safety） — 在部署前進行全面的安全性評估
4. 對人負責（Be accountable to people） — 提供適當的機制讓人類能監督與干預
5. 融入隱私設計（Incorporate privacy design principles） — 從設計階段就納入隱私保護
6. 堅守高科學標準（Uphold high standards of scientific excellence） — 以嚴謹的研究方法為基礎
7. 以符合原則的方式提供使用（Be made available for uses that accord with these principles） — 限制可能違反原則的用途

AI 不應觸碰的領域

在 2018 年版 AI 原則中，Google 曾列出四類不會投入的用途，包括可能造成整體傷害的技術、主要目的或實作方式會造成傷害的武器、違反國際規範的監控，以及違反國際法與人權基本原則的應用。這段「Applications we will not pursue」已不在 2025 年更新後的現行原則中，所以讀到考題時要知道它是在問舊版課程，不能直接說成 Google 現在的承諾。

偏差的來源與影響

AI 偏差可能來自好幾個環節：訓練資料的採集偏差（Sampling Bias）、標註過程的人為偏好（Annotation Bias）、模型架構的內建假設，還有評估指標的設計盲點。在生成式 AI 裡，偏差會直接反映在模型輸出的內容上，所以更需要有系統地去檢測跟緩解。

實踐 Responsible AI 的方法

實際開發時，Responsible AI 不是做完再回頭打勾的檢查清單，而是要貫穿整個開發生命週期、一路做下去的事。從需求定義階段就要納入利害關係人的多元觀點；在模型選擇跟訓練的過程中做偏差審計；部署之後也要持續盯著模型行為的公平性指標。

%%{init: {"flowchart": {"curve": "linear", "nodeSpacing": 24, "rankSpacing": 32}}}%%
flowchart TD
  USE["定義使用情境、使用者<br/>以及可能受影響的人"] --> HARM{"用途是否違法、受政策禁止<br/>或可能造成不可接受傷害？"}
  HARM -->|"是"| STOP["停止開發或重新設計用途"]
  HARM -->|"否"| IMPACT{"會影響權利、健康、財務<br/>就業或其他重要決定嗎？"}
  IMPACT -->|"是"| HIGH["採高風險流程：獨立審查、<br/>分群測試、人員覆核與申訴機制"]
  IMPACT -->|"否"| DATA{"是否使用敏感資料<br/>或直接對外產生內容？"}
  DATA -->|"是"| MEDIUM["加入隱私、安全、內容篩選<br/>與人工抽查"]
  DATA -->|"否"| BASIC["基本品質測試、文件與監控"]
  HIGH --> EVIDENCE{"風險與控制證據<br/>都達到門檻嗎？"}
  MEDIUM --> EVIDENCE
  BASIC --> EVIDENCE
  EVIDENCE -->|"否"| FIX["補測試、降權限或重新設計"]
  FIX --> EVIDENCE
  EVIDENCE -->|"是"| RELEASE["核准上線並持續監控"]

實作重點

• 瀏覽 Google 的 AI Principles 官方網站，理解現行三大原則；準備課程測驗時，再把它和本文整理的 2018 年版七項原則對照
• 在選擇基礎模型時，檢視 Model Card 了解模型的訓練資料、已知限制與適用範圍
• 養成為每個 GenAI 應用建立「風險評估清單」的習慣，涵蓋偏差、隱私與安全面向
• 了解 Gemini Enterprise Agent Platform（原 Vertex AI）的安全篩選器（Safety Filters）怎麼分工：不可調整的篩選器會攔截 CSAM 等禁止內容；可設定的內容篩選器依設定的門檻阻擋，預設門檻依模型而定，不要假設平台預設就會擋（查證日 2026-10-12）

Lab 導讀

Lab 連結：到 Google Skills 搜尋「Introduction to Responsible AI」。截至 2026 年 10 月，目錄中找不到同名課程，可能已改版或下架。

這門課的課程頁目前打不開，沒辦法對照現在的單元安排；依本文整理的課程主題，重點放在搞懂 Google AI 原則。複習時確認自己對七大原則熟不熟，還有遇到具體場景時，怎麼判斷符不符合 Responsible AI 的要求。建議特別留意那些看起來合理、其實可能踩到原則的邊緣案例。

延伸學習

• 概念深入：什麼是生成式 AI？ — 回顧基礎概念
• Google Cloud AI 負責任原則實踐 — 進一步了解如何在 Google Cloud 上實踐這些原則
• 負責任 AI：公平性與偏差 — 聊聊公平性議題的技術解方