經常有企業或公部門主管詢問：「XX 公司（單位）之前是怎麼導入 AI 的？」
沒錯，這個問題絕對是大家最關心的事情，因為學習別人的經驗轉化為自己的方法，是比較快速的方法；同時，也是比較安心的方式。
不過在問完這題之後，建議不妨再深入追問：「當時他們為什麼決定這麼做？」
在台灣有種存在已久的迷思，認為凡事只要依樣劃葫蘆，大概就八九不離十，雖不中亦不遠矣。偏偏 AI 不同於過去的學習路徑，光是知道「怎麼做」「做什麼」是不夠的，還要了解「為什麼」以及「為什麼不」。
前陣子看到一個知識管理型的 AI 模型，使用單位說，為了確保負責任的 AI，所以系統中有三個人為控制的節點，由人介入來確認答案沒有錯誤。
聽起來這樣的設計是有道理的，於是進一步請教，這三個人為控制節點在哪裡？為什麼選在這三個地方？
負責人回答：「風險，有風險的地方。」然後，沒有了。
這個答案當然沒有錯，但只說到表層。我們更關心的是，為什麼在這個地方有人介入就能有效控制風險？風險的指標和範圍到底有哪些？人為介入真能有效控制？這三個節點就足以控制？有沒有可能需要更多或其實可以減少？
很多人說，台灣資訊產業軟體發展實力遠不及硬體；如果談到制度、系統以及標準的訂定，比軟體更加落後。這個現象或許跟台灣教育從小習慣背公式、背答案，只知其然（是什麼）而不知其所以然（為什麼）有關係；但影響所及是面對新產業、新賽局出現時，往往只能「因應」其他國家訂好的遊戲規則，而缺乏參與定義遊戲規則、找尋有利位置的機會。
「做什麼」只是表面，「為什麼做」才是關鍵。AIF 董事長詹婷怡多年參與國際數位相關法規政策訂定，了解不同國家地區在推動 AI 相關法案的思考脈絡。本週特別撰文說明，歐盟《人工智慧法》第 50 條「透明度義務」正式實施背後的意義與影響。
本週電子報也將繼續討論在數發部 7 月初發布風險框架之後，政府部門必須據此擬定 AI 治理規範時，最常遇到的問題，例如「邊界難以劃定」。在 AI 系統中，資料、模型與硬體架構環環相扣，特別在 AI 代理人大量出現後，唯有劃定邊界才能辨識風險。但是，每個組織的 AI 用途不同，邊界自然有異，應該如何找到最適合的架構？
新的賽局，新的遊戲規則，雖然台灣目前不擅長訂定規則，但我們可以先從看懂遊戲規則開始。立秋雖過、暑熱依舊，祝夏日安好。
