---
title: "人工智慧倫理（AI Ethics）"
slug: ai-ethics
language: zh-TW
source: https://aiterms.tw/terms/ai-ethics
updated_at: 2026-04-29
tags: [AI倫理與治理, 機器學習, 模型評估, 資料處理, AI應用, 模型訓練]
ipas_term: false
---

# 人工智慧倫理（AI Ethics）

> **你有沒有遇過履歷篩選系統，把某些人群的申請一直排在後面？**
>
> 你可以把人工智慧倫理想成 AI 的行為準則，重點不是模型會不會跑，而是它做出來的決定公不公平、有沒有傷人、可不可以被信任。它把「能做」和「該不該做」分開看。
>
> 這很重要，因為 AI 一旦被放進招募、金融、醫療這種真實流程，偏見和誤用都會直接變成人的損失。

### 容易混淆

> **人工智慧倫理 vs AI治理**
>
> 倫理在談價值判斷，像公平、尊重、責任。
>
> 治理在談怎麼把這些原則落地成制度和流程。
>
> 最關鍵的區別：倫理是想法，治理是做法。
>
> **人工智慧倫理 vs AI安全**
>
> 倫理關心的是對不對、公不公平。
>
> 安全關心的是會不會失控、會不會造成傷害。
>
> 最關鍵的區別：倫理看價值，安全看風險。
>
> **人工智慧倫理 vs AI監管**
>
> 倫理多半是自我要求。
>
> 監管是外部法律或政策要求。
>
> 最關鍵的區別：一個靠自律，一個靠規範。

### 記住這句就好

> 不只看模型準不準，也要看它對不對人。

### 實際案例

> **招募排序**
>
> 如果履歷模型長期把女性候選人排得比較後面，就算整體準確率很高，也可能代表它學到了不公平的歷史資料，這就是倫理問題。
>
> **醫療分流**
>
> 當 AI 幫忙判斷病患優先順序時，若沒有透明規則和人工覆核，最危險的不是錯一題，而是錯誤在最弱勢的人身上反覆發生。

### 深入了解

> **人工智慧倫理常看的面向**
>
> 公平性、透明性、可問責性、隱私保護、避免傷害，通常是最基本的五個方向。
>
> **落地方式**
>
> 先定原則，再做審查流程、影響評估、申訴機制與人工覆核，才算真的把倫理放進系統。

### 情境判斷

> **Q1（直覺題）：** 一個模型在測試集上表現很好，但在某個族群上一直較差，這算不算倫理問題？
>
> → 算。若差異會讓特定族群承受更高風險或更差待遇，就不只是技術指標問題。
>
> **Q2（判斷題）：** 只要把敏感欄位刪掉，AI 就一定公平嗎？
>
> → 不一定，這要看情況。模型可能透過其他變數間接推回敏感資訊，所以還要看資料、流程和結果是否真的公平。

### 常見問題

> **Q：AI 倫理和 AI 公平性是一樣的嗎？**
>
> 不一樣。公平性只是倫理的一部分，倫理還包括透明、責任、隱私和傷害控制。
>
> **Q：企業為什麼要做 AI 倫理審查？**
>
> 因為它能減少歧視、信任危機和法規風險，也能讓產品更容易被採用。
>
> **Q：AI 倫理可以用一套標準解決所有問題嗎？**
>
> 很難，不同產業和文化的價值排序不一樣，通常要結合情境做判斷。
>
> **Q：AI 倫理是研究生才需要懂的嗎？**
>
> 不是，凡是會接觸模型設計、資料收集、產品決策的人都會碰到。

### 相關術語

> - **AI治理**：把倫理原則變成流程和制度的下一層
> - **人工智慧監管**：外部法律怎麼要求企業遵守倫理底線
> - **人工智慧安全**：從風險面補上倫理看不到的漏洞
> - **人工智慧公平性**：倫理最常被實作和量化的面向
> - **負責任AI**：把倫理、治理、安全一起放進實務框架

---

來源：https://aiterms.tw/terms/ai-ethics
快查頁：https://aiterms.tw/terms/ai-ethics
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-ai-ethics