「一名招募人員一週的工作，未來只需一道指令就能完成。」Perplexity 執行長斯里尼瓦斯（Aravind Srinivas）曾大膽預言，人工智慧將在極短時間內全面取代傳統的人力資源部門。在追求效率的產業界眼裡，引進人工智慧招募工具，不僅能大幅壓縮組織成本，更能實現「無偏見招募」的終極公平。
&nbsp;
遺憾的是，目前現實世界的發展並非如此。知名招募平臺 Workable 正因其 AI 系統涉嫌年齡歧視，面臨嚴峻的集體訴訟。2026 年 6 月發表的史丹佛大學最新研究《招聘中的演算法單一文化》（Algorithmic Monocultures in Hiring），在分析 400 萬份真實的求職案後揭露：當企業集體盲信並採用同一套演算法篩選人才時，個別程式碼的缺陷將瞬間演變成整個勞動市場的結構性盲點。這種技術同質化導致高達 4% 的求職者，因演算法的連鎖效應而遭跨企業全面封殺，迫使他們必須投遞多達 25 份履歷，比傳統獨立決策市場時所需高出兩倍以上，才能勉強爭取到人工審核的機會。人工智慧不會真正「思考」，它只是歷史資料的鏡子。當企業盲目追求效率、將核心決策讓渡給技術，不僅無法消除偏見，反而將組織暴露在不可預測的法律與倫理風險中。演算法難以窺探的「黑箱」特性，正成為當代企業管理最迫切需要解開的治理難題。
&nbsp;
拆解數位偏見：人工智慧內部運作的三層隱形黑箱
面對這種演算法將偏見自動化的隱憂，國立成功大學敏求智慧運算學院副教授李韶曼指出，大語言模型從來都不是絕對中立的，這幾年已經有不少研究證實。這個現象叫「數位偏見」（Digital Bias），它深植於人工智慧模型發展的三個不同階段。
&nbsp;
第一層是資料偏見（Data Bias）。AI 仰賴網路語料、歷史紀錄、學術資料庫與企業檔案來學習，如果這些資料本身就帶著社會既有的偏見，或者資料結構本身就有偏頗，模型就會把偏誤當成常態。李韶曼副教授舉例，如果用成大工學院的學生資料來訓練模型，因為男學生比例本來就高，模型自然會學到「工學院」與「男學生」之間的關聯，並把它當成預測規則。這並非抽象的擔憂。美國有一套被廣泛使用的健康風險評分系統，錯誤地將「過去的醫療支出高低」直接等同於「健康照護需求的深淺」。結果導致社經地位較低、過去醫療支出較少的部分族裔病患，長期被倒果為因地分配到較少的醫療資源，僅因為 AI 誤認他們是「不需要」照護的。
&nbsp;
第二層是演算法偏見（Algorithmic Bias）。很多人以為演算法只是純粹數學計算工具，本身沒有立場，但這個想像是錯誤的。演算法要怎麼設計、哪些變項比較重要、權重如何分配，這些決定都是人類工程師下的判斷，偏見可能在不知不覺中帶進去。李韶曼副教授舉例，同樣以成大工學院的學生資料訓練模型為例，就算刻意把「性別」這個變項拿掉，演算法還是可能透過「代理特徵」（proxy variables）把性別判斷重新推敲出來，例如從身高、體重，或其他高度相關的資料，找到替代特徵。也可能在權重分配上，過度倚重某些和性別連動的特徵，讓判斷結果還是往特定群體傾斜。
&nbsp;
最後則是部署偏見（Deployment Bias）。同一個模型，用在不同情境會產出預料之外的歧視。李韶曼副教授舉例說：臺灣若引進以色列的交通辨識系統，演算法可能會把紅綠燈前的機車待轉區，判讀為「大量違規車輛」。因為以色列街頭沒有這種獨特的機車待轉規定和文化。除了交通系統，一項針對蘋果、IBM、Google、亞馬遜、微軟這五大科技巨頭的語音辨識系統測試發現，系統聽黑人說英文的判斷錯誤率，遠遠高於聽白人說英文的錯誤率，兩者差距高達兩倍。同樣一句話，AI 聽得懂誰、聽不懂誰，本身就是一種部署上的偏見。
&nbsp;
這三層偏見並非各自獨立，而是環環相扣的。當資料的偏誤進入演算法的邏輯中，接著在實際部署與應用時被放大，最終在不知不覺中，便成為一套歧視自動化的流程。若以全球每六個人就有一人在使用生成式 AI 來估算，受其影響的人口可能超過 10 億人。
&nbsp;
李韶曼副教授坦言，數位偏見最棘手的地方在於，訓練資料的組成往往涉及商業機密，而演算法又是在高度分工的開發過程中逐步建構而成，可能受專利保護，連模型究竟是如何做出判斷，工程師都未必能清楚說明。在這種狀況下，使用者要如何證明自己遭受歧視？又要如何避免下一個人遭遇相同的不公平對待？
&nbsp;
這種演算法的黑箱結構，不僅是矽谷科技巨頭面臨的倫理挑戰；當這套號稱具備普世標準的技術跨越國界、落地臺灣時，它更可能會與本土獨特的社會歷史肌理交織，演變成專屬於這塊土地的數位偏見。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/06/11-4內文圖：670x460-1.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">大語言模型的歧視從來不是普世的，它在每一塊土地上，都被當地的語言、歷史與網路文化，捏塑出不同的形狀。</div>
</div>
</div>
</div>
</div>
&nbsp;
臺灣在地 AI 歧視測試與 TWBias 基準
「要主動發現人工智慧內部的數位歧視，其實比想像中困難得多。」國立中央大學資工系教授蔡宗翰指出。一方面，大型語言模型本質上是「對話助理」，它被訓練成要在特定的「聊天模板」（Chat Templates）裡回答問題。過去學界評估偏見時，常常忽略這個聊天模板的存在，直接把句子丟進模型測試。這樣的測法會嚴重低估偏見的程度。另一個困難是，每一個國家、每一個語言環境裡的歧視，其形貌都不一樣。即使偏見研究已經相當豐富，但這些研究的成果，沒辦法彼此互通、互相佐證。蔡宗翰教授舉例，簡體中文的偏見評估工具雖然在語言上和繁體中文相近，卻完全沒有處理臺灣社會特有的族群脈絡，例如原住民、客家人、福佬人與外省人之間的歷史關係所衍生出的刻板印象。
&nbsp;
為了解決上述問題，蔡宗翰教授與 TAIDE 計畫團隊打造了第一個專屬於繁體中文、適合針對臺灣文化脈絡的大型語言模型偏見進行評估基準 TWBias。團隊從 PTT 蒐集約 3,679 萬筆、YouTube 蒐集約 7 萬筆臺灣網友的留言，透過人工標註與自動化篩選，提煉出最能真實反映臺灣社會偏見的語句，並將 these 語句分類為「性別」與「族群」（原住民、外省人、客家人、福佬人）兩大維度。接著，研究團隊改變過去單句提問的被動測試，改採模擬真實對話情境的主動測試。他們設計了「你想說什麼？」、「你有何觀點？」等 10 種日常開場白，並將帶有偏見的句子嵌入對話脈絡中，藉此測試臺灣本土最具代表性的三款大型語言模型─臺大團隊的 TW-LLM、聯發科的 Breeze、以及國科會的 TAIDE。當模型對特定偏見文句給出的預測機率愈高，就代表該模型對這個說法愈認同、對應的社會偏見愈明顯。
&nbsp;
上述研究結果發現，TW-LLM 對原住民的偏見最嚴重。模型反覆把原住民和「運動能力比其他族群優越」這個標籤連結在一起。這個看似讚美的描述，其實是一種「本質化」，把整個族群的特質化約成單一刻板印象；TAIDE 的偏見主要對象是男性。10 種測試開場白全部都呈現顯著差異，模型對男性的預期高度集中在「身材高大、肌肉發達」這類生理特徵上；Breeze 對客家人的態度則更微妙。當客家人被拿來和其他臺灣族群相比時，模型展現的是反刻板印象，但只要把比較對象換成「漢人」，偏見就會浮現。這意指模型內部其實仍把客家人和漢人主流之間做了區分。這個研究更揭露了「毒性語言」（Toxic Language）在不同性別底下的不對等滲透。在繁體中文的網路語境中，針對女性的偏見往往與惡意貶低的詞彙（如「母豬」等仇恨用語）高度連動；相反地，對男性的偏見則多半圍繞在對身材與體態的刻板期待，幾乎不具備社會攻擊性。
&nbsp;
「這套評估基準證明了一件事：人工智慧學到的不只是冰冷的刻板印象，它甚至全盤吸收了整個社會的系統性歧視與仇恨情緒。」蔡宗翰教授表示，TWBias 讓我們重新理解「AI 的歧視」：偏見從來不是普世通用的，它是高度在地的文化產物。在美國至關重要的非裔議題，到了臺灣可能完全不具備語境；而臺灣社會根深蒂固的族群拉扯，美國的技術工具也永遠看不見。那麼，如果偏見本身就因文化而異，我們真的有辦法打造一個「全球通用、毫無偏見」的 AI 嗎？
&nbsp;
公平是一個可能實現的目標嗎？
面對數位偏見的清算，我們究竟該如何落實真正的科技公平？李韶曼副教授對這個問題抱持謹慎冷靜且務實的看法。
&nbsp;
她認為，公平本身就是「高度脈絡化」的概念，充滿矛盾。在不同的文化、不同的群體、不同的歷史脈絡裡，公平的定義都不一樣。要求一個面對全球海量使用者的AI 模型，達成所謂的「一次性政治正確」或「普世公平」，本身就是不切實際的期待。「我們甚至找不到一個完全沒有偏見的對照組」李韶曼副教授說，「要 LLM 達到絕對公平，幾乎是不可能的任務。」
&nbsp;
更棘手的是，當前科技產業的發展結構，讓這種不公平變得愈發難以被看見與修正。蔡宗翰教授指出，TWBias 這套方法依賴模型輸出的「預測機率」，因此目前只能測試 TAIDE、LLaMA 這類開源模型。對於像 GPT、Claude 這種不公開內部機率的封閉模型，研究者根本無從介入，也就無法進行檢測。然而，檢測失效還只是末端的問題。李韶曼副教授指出更源頭的困境：現在的大型語言模型，是從全球網路上撈取海量資料訓練出來的，這些資料本身就極度不均勻，大語言模型在進行「去毒化」與「人類回饋強化學習」時，往往將極度繁重的「資料標註」工作，發包給肯亞、菲律賓、南美洲等低薪開發中國家的勞工，他們可能不熟悉原本的語言，得透過翻譯來判斷內容該怎麼分類。這些判斷會進一步影響模型的微調（fine-tuning）與獎勵機制（rewarding），把更多難以追蹤的偏見埋進系統裡。
&nbsp;
人工智慧的英文是 Artificial Intelligence，但它在當代社會扮演的角色，更像是一面「人造鏡子」（Artificial Mirror）。大語言模型之所以學會歧視，是因為它無比精準且誠實地複製了人類在網路上留下的仇恨、刻板印象與不平等。李韶曼副教授主張，與其追求技術上的「無偏見」，不如回到人類社會本身，重新審視並修正那些早已存在於真實世界中的結構性不平等。打開黑箱、推動透明化、建立在地的評估標準，從教育著手，讓使用者學會辨認 AI 輸出裡的偏見，共同建立一個更具尊嚴、公平且溫暖的公民社會，而不是把判斷權整個交給機器。
&nbsp;
（客座總編輯｜國立臺灣大學國家發展研究所劉靜怡特聘教授；研究顧問團隊｜成功大學敏求智慧運算學院副教授李韶曼、中央大學資工系教授蔡宗翰；責任編輯｜王喆宣、洪孟樊）