AI Highlights — 全貌 — 2026-10-27(週二)每日新聞
來源連結指向原始媒體。AI 綜合分析僅根據以下標題自動生成,不意在添加標題以外的事實。非投資建議。
據報導,Comcast 正將櫃檯服務轉移給 AI 代理,並因寬頻用戶數下滑而縮減人力。然而,Apollo 指出,AI 並未為美國企業帶來財務回報。若在確認成果之前就先決定減少人力,工作、判斷、話語與信任便會悄悄地轉向 AI。這半天內彙整的文章涵蓋行政審查、警政、選舉、教育與專業研究等不同情境,但都要求讀者在同一個重點上做出判斷。在決定是否導入 AI 之前,重要的是思考 AI 導入後所產生的負擔與責任將由誰來承擔。
裁減優先推進,看不到回頭的跡象
據報導,Comcast 因寬頻訂戶減少 144,000 戶,正將客服櫃檯業務轉由 AI 代理處理並縮減人力(TechSpot)。TechStory 也報導,該公司預計大規模裁員,理由是合約減少與 AI 的普及。裁減的原因有兩個:訂戶數減少,以及服務窗口可交給 AI。然而,從這些報導中無法得知,依賴 AI 之後成本與客戶服務將如何變化。另一方面,Apollo 指出,AI 並未為美國企業帶來財務回報(Business Insider)。這意味著,裁員的決定可能在成果尚未確認之前就已在進行。
裁減並非唯一的選項。摩根大通的私人銀行利用 AI 精簡理財顧問的工作(Bloomberg.com)。這種做法在減少顧問工作量的同時,仍保留其面對客戶的角色。在新加坡,NTUC 與 KPMG 推出了人力資源轉型計畫(NTUC UPortal),將導入 AI 與提升就業品質連結起來。這兩個案例處理的不是人數,而是角色的內容。
若將 Comcast 的例子與 JPMorgan、NTUC 和 KPMG 的例子相比,可以發現即使導入的是相同的 AI,其前提假設卻不同。前者因合約數減少導致業績惡化,因此將櫃檯的整個功能轉移給 AI。後者則試圖保留由人來完成的工作,並改變其品質。不過,JPMorgan 的文章只顯示了營運效率,因此從這一點來看,成果的規模並不明確。NTUC 和 KPMG 的計畫也仍處於努力成果的發表階段。
讀者在閱讀導入相關報導時,不只想知道 AI 會改變什麼,也想知道首先會減少什麼,以及能換來什麼回報。如果 Apollo 的論點正確,那麼 Comcast 並不是唯一一個在看不到回報的情況下進行裁減的例子。接下來的問題是,裁減之後留下的負擔將由誰來承擔。下一節我們將探討工作與決策越來越多由 AI 執行的過程,以及負擔將轉移給誰。
自動化審查與警方的運用會固化偏見
針對 Medicaid 的自動給付審查,HomeCare 以 AI 審查的風險為由,列出五項因應對策。把審查交給機器,可能讓給付的受領者處於不利。這代表必須事先準備好對策。BBC 報導,研究人員警告警方使用 AI 可能加深歧視。在柏林,爭論的是是否應使用 AI 進行心理治療(The Berliner)。這三個案例的共通點是,AI 判斷與支援的對象,分別是領取給付者、受警方管控者,以及受心理健康問題所苦者。
影響讀者在此判斷的,與其說是導入後效率是否提升,不如說是發生錯誤或偏誤時由誰來提出異議,以及由誰來負擔修正的成本。HomeCare 強調有必要採取因應對策,因為即使審查自動化對導入方來說被說成是一種效率,最後也可能對第一線的業者和使用者造成不利。BBC 所介紹的研究人員的警告,同樣顯示警察機關使用 AI 會引發公平性方面的疑慮。某項技術能否用於心理治療的問題顯示,與其問這項技術能不能用,更需要先決定它能在哪些情境中使用。考慮導入的人,除了預期成效之外,也應該考慮受理與查證申訴的機制。
相同的結構也出現在國與國之間。根據半島電視台報導,一名聯合國高階官員警告,AI 使用上的差距恐將擴大全球不平等。Seeking Alpha 報導指出,在美中 AI 競賽中,各國被迫在相互競爭的技術圈之間做出艱難的抉擇。有能力充分運用技術的國家擁有選擇權,但無力自行運用技術的國家,在使用機會或決定自己隸屬哪個技術圈方面,可能會受到限制。同樣地,導入所帶來的利益與負擔,不一定分配在同一方。
無論在個人或國家層面,導入 AI 都可能決定誰能扛起這份負擔,誰又是被迫承受。因此,在決定是否納入 AI 之前,應先問的是:若產生任何不利後果,將由誰負責。下一節將探討這項責任在實務上是如何處理的。
真實與人性的動搖
選舉前兩天,以色列總理尼唐亞胡發布了一張由 AI 生成、描繪特拉維夫發生核爆的圖像,《耶路撒冷郵報》(The Jerusalem Post)報導。在投票前夕,判斷這張圖像是否真實的責任,落在每一位接收者身上。教育領域的情況也一樣。《信濃每日新聞》數位版(Shinano Mainichi Shimbun Digital)報導,隨著 AI 快速擴張,錯誤資訊正在增加,教育機構在查證事實方面也相當吃力。Наша Ніва 以「AI 讓人對全球最昂貴畫作的作者產生懷疑」為標題,報導了一起連作者歸屬這個前提都受到質疑的案例。它們的共通點是,在選舉、課堂和藝術等不同情境中,查證事物都需要花費更多時間與心力。即使導入 AI 的一方能縮短製作所需的時間,查證真偽的負擔仍然留給接收者或學校。在評估導入的利弊時,也必須考慮由誰來負擔查證的成本。
這種動搖不僅延伸到資訊面,也延伸到人的這一面。《每日新聞》報導,類似 AI 機器人的說話方式正在人類之間蔓延。我們不僅會質疑螢幕另一端的話語是否像機器,連我們自己的說話方式也變得越來越像機器。Unisba Media 報導,布萊恩·格林(Brian Green)教授談論了 AI 的威脅、意識與人類的終結,機器是否具有意識的爭論已進入專業領域。在生活層面,The Sun 報導,一名把津貼花在類似金·卡戴珊的 AI 女友身上的男子表示:「她要生寶寶了。」即使對方不是人類,也有人與之建立關係。書中介紹了「人工智慧之父」圖靈作為一位怪才且孤獨的天才的生平與思想。機器能否思考的問題,長久以來一直與人類的生活密不可分。
判斷某件事是否真實,以及劃分人類與 AI 的界線,如今已不再由機構或企業負責,而是交由個人的生活感受來決定。下一節要探討的問題是,這份負擔在多大程度上應由當事人以外的人來承擔。
在專業領域,查證決定成果
Bioengineer.org 報導,在口腔癌診斷中,AI 的角色正從影像診斷擴展到精準治療。Analytics Insight 報導,在農業方面,AI 與機器人將提升精準農業與作物監測的水準。BioSpace 報導,在藥物探索方面,Pathos AI 已獲得 2.37 億美元的 E 輪融資,用以擴展其以代理為基礎的 AI 藥物探索平台,並推進其腫瘤學產品線。這三個主題的共通點在於,目標並非減少人力,而是提升診斷、栽培與治療藥物探索等工作本身的品質。然而,鉅額資金只顯示市場的期待程度,並非成果的證明。與前面各節所見「先裁減人力、卻看不到回報」的情況不同之處在於,衡量成果的對象從一開始就很明確。
這些成果的佐證,是由研究端進行的驗證所累積起來的。《Scientific Reports》的論文探討如何利用深度學習抑制拉曼光譜中的批次效應。內容直接處理因量測條件與時間點造成的變異,並將其視為與模型準確度不同的另一個問題。《International Journal of Oncology Research》報告了利用 GEO 表現資料對乳癌亞型進行分類,以及在獨立世代中的外部驗證。《Journal of Radiation Research and Applications》探討利用對比增強電腦斷層(CT)放射組學預測胃癌放射治療的效果,涵蓋模型開發與驗證兩方面。《Kashmir Journal of Academic Research and Development》刊有一篇論文,討論以機器學習支援肺癌治療的藥學架構,這是巴基斯坦藥學院與中國藥科大學的合作研究計畫。跨越多個機構與多種癌症類型,都有以其他資料驗證所開發模型的共通程序。
這樣的對比顯示了讀者在聽取導入說明時應該提出的問題。要估算成本削減的可能性,唯一的方法就是查核會計紀錄,確認節省是否真的達成。專業領域的 AI 必須先回答這些問題:是否能應用於獨立的世代群體(cohort)、即使測量條件改變結果是否仍然成立,以及能否納入現場作業程序。若要將系統用於診斷或治療決策,驗證答案的成本就必須計入導入成本。
在有專人負責查核的領域,用來判斷 AI 價值的材料會比較多。那麼,在沒有負責查核的人員或組織就直接使用產品的領域,錯誤的責任又該由誰承擔?下一節就從這個問題開始。
各節所舉的例子來自不同的產業與情境。但不變的是,導入 AI 時雖然談論著效率與前景,事後遺留的負擔卻被轉嫁給了其他人。在裁減人力的案例中,決策是在未確認成果的情況下做出的;在自動化審查與警方使用的案例中,處於弱勢的人必須承擔提出異議與更正的成本。真偽的查證則仍落在收件者與學校身上。依專業領域區分成果差異的關鍵,在於目標是否明確,以及是否經過驗證。因此,決定是否導入 AI 的因素,不只是 AI 的效能與市場的期待。當錯誤或偏見發生時,事先決定由誰來檢查、由誰來回應異議、由誰來承擔成本,是非常重要的。
Q1:在使用 AI 的工作中發現錯誤或偏差時,由誰負責查核與修正? Q2:對 AI 判斷提出申訴的管道,以及修正費用由誰承擔,是否在導入前就以書面訂定? Q3:在確認導入成果之前,是否已決定變更人事或權限?
最後,三個問題
- 當使用 AI 的工作中發現錯誤或偏見時,應由誰負責檢查並更正? Q2:對 AI 判斷提出申訴的管道,以及由誰負擔更正的成本,是否已在實施前以書面確定? Q3:是否在確認實施成果之前,就已決定調動人事或變更權限? - 對 AI 決策提出申訴的管道,以及由誰負擔補救的成本,是否已在實施前以書面確立? Q3:是否在確認實施成果之前,就已決定調動人事或變更權限? - 是否在確認實施成果之前,就決定調動人事或權限?
📚 資料來源(全部素材)
本期參考的所有項目。外部連結會在新分頁開啟。共 24 項。
AI 產業
AI 與金融
與 AI 共處與共事
AI 與醫療保健
AI、福利與長期照護
AI 與國際政治
世界各地的 AI
AI 與教育
AI、哲學與思想
AI、藝術與創意
醫學中的 AI(癌症照護、罕見疾病)
AI 監管、安全與地緣政治
AI 與製藥產業
AI 與癌症研究
- 深度學習可減輕拉曼光譜中的批次效應——《Scientific Reports》
- 利用 GEO 表現世代資料進行乳癌分子亞型與臨床表型之機器學習分類,並於 GSE1456 採用控制資料洩漏的外部驗證流程— 《國際腫瘤學研究期刊》
- 從藥物探索到精準腫瘤學:機器學習驅動的肺癌治療藥學框架——巴基斯坦藥學系與中國藥科大學的聯合研究計畫— 《喀什米爾學術研究與發展期刊》
- 以對比增強電腦斷層放射組學預測胃癌放射治療反應:模型開發與驗證— 《輻射研究與應用科學期刊》