AI解釋力與人類監管：互補共促負責任人工智能

解釋性與人類監督：人工智能問責制的互補關係

連續第四年，麻省理工學院斯隆管理評論（MIT Sloan Management Review）與波士頓諮詢集團（BCG）攜手組建了國際人工智能專家小組，涵蓋學術界與實務界，深入探討全球範圍內企業如何實踐負責任的人工智能（Responsible AI，簡稱RAI）。2025年春季，我們同時進行了一項涵蓋1,221名全球高管的調查，了解組織在負責任AI方面的進展。今年首篇文章聚焦於通用人工智能生產者的問責制，而本文則重點探討解釋性（explainability）與人類監督（human oversight）之間的關係，以及它們如何共同促進AI系統的問責。

在AI治理領域，解釋性指的是能為人類提供清晰、易懂且有意義的解釋，說明AI系統為何會做出某個決策。它與技術層面的可解釋性（interpretability）密切相關，但範圍更廣，後者偏重於理解模型輸入如何影響輸出。兩者皆旨在提升日益複雜且不透明的AI系統的透明度，並已體現在近期的監管規範中。例如，歐盟《人工智能法案》要求高風險AI系統必須設計成便於有效的人類監督，並賦予個人獲得「清晰且有意義解釋」的權利。南韓的全面AI法也針對醫療、能源及公共服務等「高影響」領域的AI系統提出類似解釋義務。企業為應對這些要求，紛紛推出商業治理方案，僅解釋性市場預計到2028年將達162億美元。

針對解釋性與人類監督是否可以互相替代的問題，我們向專家小組提出挑戰性陳述：「有效的人類監督降低了AI系統對解釋性的需求。」結果顯示，77%專家不同意此說法，認為解釋性與人類監督是互補而非競爭的AI問責面向，兩者並非相互抵銷。

除了幫助人類掌控AI輸出，專家們強調解釋性還承載著信任、透明、公平與正當程序等社會核心價值。缺乏解釋性，人類監督淪為形式上的蓋章，威脅這些價值。然而他們也承認，解釋性在實務上有其限制。以下我們將分享專家見解，並結合自身在負責任AI領域的經驗，提出強化AI問責的建議。

解釋性與人類監督是AI問責的互補支柱
多數專家認為，有效的人類監督並不減少對解釋性的需求。Data Privacy Brasil創辦人Bruno Bioni指出：「解釋性與人類監督是AI治理框架中互補且交織的保障。」新加坡國立大學Simon Chesterman亦表示：「監督與解釋性不是競爭價值，而是負責任AI治理相輔相成的支柱。」e&的Renato Leite Monteiro強調兩者是互補力量，Intel Labs的Elizabeth Anne Watkins總結道：「兩者協同工作。」

Harman Digital Transformation Solutions的Jai Ganesh強烈反對「有效人類監督降低解釋性需求」的說法，他認為解釋性提升用戶信任、問責與知情同意，能幫助識別偏見及確保系統安全可靠。有效監督與解釋性應並行，是負責任AI部署的必要條件。

ForHumanity的Ryan Carrier說明：「人類監督與解釋性用途迥異，不能互相取代。」聯合國大學Tshilidzi Marwala也認為兩者是不同但強力協同的概念。阿爾伯塔機器智能研究所的Alyssa Lefaivre Škopac指出：「監督確保AI安全負責，但若監督者不了解AI決策原理，調整系統將困難重重。」澳洲國立大學Belona Sonna補充，解釋性「有助於監督者洞察模型運作，識別偏見及不公平現象。」EnBW的Rainer Hoffmann則強調，解釋性幫助開發者除錯、監管者確保合規及企業管理風險。

H&M Group的Linda Leopold認為，有效人類監督依賴解釋性，確保系統按預期運作。Carrier指出監督是干預、控制、調整與風險管理的基礎。史丹福大學Riyanka Roy Choudhury認為解釋性使人類能作出有根據的判斷，信任或推翻AI決策。IAG的Ben Dias認為解釋性協助用戶理解結果及發現異常，人類監督則防止AI出錯並確保系統正常運作。

解釋性助推社會核心價值，防止監督淪為蓋章
專家們一致認為，解釋性不只是實務工具，更反映了自治、公平、正當程序與問責等深層社會價值，這些是人類監督無法單獨實現的。Monteiro說：「解釋性賦予個人理解及挑戰自動決策的權利，是隱私與數據保護框架中的基本權利，也是建立自動化系統信任的基礎。」Marwala指出：「監督是即時風險的關鍵防護，但解釋性帶來更深遠的透明與信任，支撐良好治理。」

RAIght.ai的Richard Benjamins以醫療為例，醫生不應接受無法理解原因的AI診斷，因AI會出錯。Nasdaq的Douglas Hamilton則說，人類尋求的是與直覺或專業知識相符的解釋，而非純計算式的數據。

調查結果概覽
對陳述「有效人類監督降低AI系統解釋性需求」的回應中，3.3%強烈同意，0%同意，20%中立，36.7%反對，40%強烈反對。

Automation Anywhere的Yan Chow說：「AI與人類監督意見不合時，解決方案需透過理解AI推理。缺乏解釋性，便是人類直覺對抗黑盒算法，雙方無法互相學習。真正的人機協作需要相互理解。」DBS Bank的Sameer Gupta警告，缺乏解釋性的人類監督只是形式，淪為蓋章。National University of Singapore的Chesterman亦提醒，系統不透明會讓人類監督淪為虛設。OdiseIA的Idoia Salazar強調，信任AI不應只靠監督，更需透明與可解釋系統，特別在醫療、金融與司法領域。這些觀點也呼應了歐盟AI法案對高風險系統的要求。

實務中解釋性有限制
專家同時指出，解釋性並非在所有情境都可行或必要。渣打銀行David R. Hardoon強調解釋性需求應視對象與目的具體定義。赫爾辛基大學Teemu Roos指出，解釋性形式多樣，現代AI系統複雜度高，傳統解釋方式難以適用。Apollo Global Management的Katia Walsh甚至認為「AI解釋性是一種謬誤」，因AI系統複雜度媲美人腦。Škopac強調，無法解釋時，「強有力的監督與領域專業知識」更為重要。

另一方面，Instalily.ai的Amit Shah認為「有效人類監督使傳統解釋性變得無關緊要」，他支持透過實證審核、紅隊測試與即時人工覆核保障安全，認為「過度強調解釋性只會拖慢創新，製造虛假的控制幻象。」

建議
綜合專家意見，我們提出以下建議，助企業透過人類監督與解釋性實現有意義的AI問責：

1. 設計AI系統以支持有效人類監督。系統應能提供決策證據、詳細審計與變更日誌，監控拒絕率，標記需升級決策，並以信心分數等指標呈現結果。

2. 培養人類監督能力。用戶須接受全面AI教育，瞭解系統限制、偏見與故障模式，才能做出明智判斷與適時介入，確保問責。

3. 監督過程中須涵蓋多種解釋性。關鍵場合（如醫療診斷）需經常審查AI解釋，其他場合可較少。企業應思考何時需解釋性，避免「解釋性作秀」。

4. 避免控制幻象。解釋性與監督只有在帶來真實理解與問責時才有意義。過度強調可能造成虛假安全感，監督淺嘗輒止則流於形式。企業應根據實際情境靈活調整策略。

—

編輯評論與觀點

本文深入剖析了人工智能治理中的兩大核心支柱：解釋性與人類監督，並通過國際專家意見與全球調查數據，強調兩者並非對立，而是相輔相成。這種看法對香港及全球科技發展均具重要啟示。

在AI技術日益融入日常生活及關鍵決策的當下，單靠人類監督或純粹依賴技術透明度均難以保障問責。解釋性不僅是技術需求，更是社會信任的基石，有助於用戶理解與接受AI決策，防止監督淪為形式，保障公平與正當程序。反之，強調解釋性同時也應避免陷入「解釋性作秀」，務必結合監督實務與專業知識，確保AI行為符合倫理與法律標準。

香港作為國際金融與科技樞紐，面對AI監管挑戰時，應借鑒此類國際趨勢與專家建議，推動本地企業提升AI治理能力，培養具備AI素養的監督人才，並建立靈活且具體的解釋與監督機制。這不僅提升企業競爭力，也有助於增強公眾對AI技術的信任，促進科技與社會的和諧發展。

最後，對於AI解釋性的限度與未來發展，香港社會與政策制定者應保持開放態度，鼓勵跨界合作與創新，探索平衡技術複雜度與人類可理解性的最佳方案，確保AI技術既安全可靠，又能切實服務於人類福祉。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。