AI 倫理四項原則：比例、隱私、公平與透明

閱讀目標與導言

本頁是中文譯文，討論四項經常出現的 AI 倫理原則：比例原則、隱私與資料保護、公平與無偏見、透明與可解釋性。每一項都從概念走向實際判斷，並配有反思或閱讀方向。

倫理框架不只有一種。不同機構的表述與分類各有側重，但常常圍繞相近的問題：怎樣保護人，怎樣分配收益，怎樣減少傷害，以及出錯後由誰負責。先看四項原則，再閱讀後面的配套影片文字稿，理解它們與更廣泛框架的關係。

一、比例原則：收益是否值得所造成的影響

對於 AI 使用者，比例原則尤其重要。我們已經認識到生成式 AI 可能帶來環境、社會、個人和經濟影響。比例原則要求，每次使用時都判斷：獲得的收益，是否超過在這些維度造成的傷害。

這不只是問“工具能不能做”，還要問“值得這樣做嗎”。請思考：

• 我真的需要 AI 完成這件事嗎？是否有環境代價更小、同樣能達到目的的方法？
• 誰參與其中，誰會受到影響？
• 對每個相關方，會產生哪些積極和消極影響？

開發者也需要考慮比例原則，特別是下面兩個方面。

效率關注，用怎樣的計算投入完成任務。面對同一個設計問題，應尋找計算需求較低的可行方案，也要考慮環境代價。原資料以企業的碳中和承諾及植樹等抵消專案為例；這屬於當時的實踐介紹，不代表抵消已經消除了實際排放，也不是對企業當前承諾完成情況的核驗。

有效性關注，AI 是否真的產生了預期效果。“有效”本身並不簡單，至少包含技術上能執行、市場上能銷售，以及對實際使用者產生有意義影響這幾個方面。

教育技術就是一個例子。產品可能執行流暢、展示漂亮、推廣成功，卻沒有足夠研究證明它改善了學習。要判斷效果，需要看到實際影響的證據，不能把技術能力或市場接受度直接等同於學習收益。

原閱讀活動建議比較兩類文章：一類討論衡量教育技術影響的主要困難，另一類質疑現有產品的研究方法能否證明它們承諾的效果。儲存的原文沒有保留這些目標網址，因此這裡保留閱讀問題，不猜測或補造原連結。

二、隱私與資料保護：資訊怎樣受到約束

AI 專門政策逐漸增加，但隱私保護並不只靠一部 AI 法律。原資料指出，實際約束來自多種規則的交織，包括隱私、資料保護、網路安全、競爭、侵權和消費者保護等制度，其中個人資訊與隱私法規尤其突出。

閱讀時可以帶著兩個問題：不同地區的資料保護趨勢怎樣變化？隱私問題又怎樣與歧視交織，例如監控和人臉識別對不同群體可能產生什麼影響？原資料中的“2025 年趨勢”屬於當時的觀點性閱讀，不能自動延伸為當前政策結論。

原資料中的地區比較

下面保留原表比較的物件與主要內容，並把需要糾正的簡化單獨標明。它用於理解制度差異，不能替代對具體法律條文、適用範圍及案件事實的核查。

原表還列出罰款：加拿大最高 10 萬加元；中國最高 100 萬元人民幣；歐盟按類別列為最高 1,000 萬歐元或全球年營業額的 2%，以及最高 2,000 萬歐元或 4%。原表把外幣數額換算為加元，這種換算隨匯率變化，不能作為固定標準。

譯註：原表對處罰的概括不完整。PIPEDA 的部分故意違法行為可構成違法罪行，10 萬加元也不是所有隱私救濟的統一上限；中國《個人資訊保護法》第六十六條對嚴重違法另規定最高 5,000 萬元人民幣或上一年度營業額 5% 的罰款等措施。其境外適用範圍也取決於法律規定的處理活動，不能概括成“所有中國公民在境內外的一切資料”。原表把“保留期限”寫成最低期限，通常應關注實現處理目的所需的最短時間及法定例外。具體情形應查詢正式條文。

原文隨後指出，各地往往依靠多項制度組合，執法方式和處罰數額會有顯著差別，並提到歐盟各成員國的資料保護機關及一系列大型平臺案件。原文給出的累計罰款“60 億歐元”為沒有明確統計截止日期的歷史數字，不應當作當前總額。

譯註：原文把這些制度的後果概括為“罰款而非刑事指控”，過於絕對。隱私違法還可能涉及命令、業務限制、民事責任，某些行為亦可能構成罪行。保留這一比較的目的是理解監管方式，不能把它當成排除其他責任的依據。

檢視圖解文字說明

原始資料先做必要性檢查與最少化，在許可權範圍內檢索片段；使用外部模型時，問題及片段會傳至供應商。回答輸出、訪問日誌、快取和備份分別有用途與儲存期限。資料未用於訓練，不表示資料沒有被傳輸。

圖中強調先減少不必要個人資訊，再控制檢索和傳輸範圍，回答與日誌也需要許可權和保留管理。

三、公平與無偏見：誰被代表、誰能使用、誰承受結果

公平與無偏見強調包容以及平等對待，不因種族、宗教、信仰、性別、殘障或其他用於區分人群的特徵而不當歧視。原講解把問題分為代表性、可及性和輸出三個方面。

代表性

先看開發階段使用了哪些資料：相關人群是否得到充分、恰當的代表？如果貸款資料主要來自男性，系統可能無法公平地判斷女性申請者。歷史資料即使覆蓋不同人群，也可能記錄著過去的不平等；模型學習這些記錄後，有可能放大原有偏見。

預測性警務是另一個例子。如果某些社群過去被更頻繁巡查，記錄的事件也可能更多。把記錄數量直接當成真實風險，可能進一步加強對這些社群的關注，形成迴圈。這裡的問題不只是“有沒有資料”，還包括資料怎樣產生，以及使用它會產生什麼後果。

可及性

不同社群或群體是否有機會使用先進技術？在 AI 出現之前，數字鴻溝已經存在，既包括一個國家內部，也包括國家與地區之間。基礎設施、費用、語言等因素，都會影響技術能否被實際使用。

AI 和生成式 AI 有可能擴大這些差距，而不一定自然消除差距。應觀察誰能獲得裝置、連線、語言支援與使用能力，以及技術收益最終流向誰。

輸出

生成式 AI 不僅用於分類或預測，還會生成文字與圖片，因此偏差也會體現在“誰被畫成什麼樣”“哪些職業與哪些人關聯”“某種表達是否把特定群體排除在外”。

原閱讀活動建議，分別閱讀影象生成器與文字生成器的偏差研究，並可選擇學術論文或較易讀的解釋。比較時注意：研究檢查的是哪些提示、哪些模型、什麼時間的版本，以及怎樣定義和衡量偏差；不要把某一次示例當成全部系統的表現。

四、透明與可解釋性：能檢查什麼，能追問什麼

透明與可解釋性，通常與可靠性、責任和人權一起構成“可信 AI”的討論基礎。

透明性關注，系統及其決策過程在多大程度上能接受相關方檢查。使用了什麼資料？採用什麼處理方法和演算法？哪些模型特徵會影響判斷或輸出？這些內容能否接受審計？

可解釋性更關注具體結果：使用者、監管者等能否理解，某個決定為什麼產生，以及這個決定能否得到合理說明。

兩者還與救濟相連。如果一個系統的結果侵犯了人的權利，或造成不平等待遇，當事人應該有途徑提出異議，並獲得獨立審查。原文用普通商業場景作類比：如果商家因為你的身高拒絕服務，你可能提出投訴或尋求司法救濟。AI 的責任鏈有時更復雜，但複雜不應成為無人回應的理由。

原閱讀活動邀請進一步瞭解兩個問題：為什麼透明與可解釋性在實踐中困難？其中又有哪些技術障礙？閱讀時要區分“告訴使用者這裡使用了 AI”“披露開發資料”“解釋某一次決定”這幾個不同層次。

完成後，可以用倫理反思練習檢查自己常用的一項應用。

影片文字稿：不同倫理框架怎樣相互連線

AI 倫理框架很多，這裡選擇四個視角：歐盟、IEEE、OECD 與 UNESCO。原講解把前三者放在 2019 年前後，把 UNESCO 檔案標為 2022 年。

譯註：UNESCO 建議書於 2021 年透過，相關出版物發表於 2022 年。下面是原講解對原則的歸類，不替代正式檔案的完整結構。

這些組織的角色不同。IEEE 是專業組織，關注工程及相關人員；歐盟、OECD 和 UNESCO 更多涉及地區、不同國家與跨國治理。因此，它們強調的物件和語言也有差別。

原講解數出不同數量的原則，同時提醒，有些標題把多個概念放在一起。因此，不能只用“七項”“五項”或“六組”判斷框架相同或不同。

歐盟、IEEE 與 OECD 的側重

原講解歸納歐盟的重點，包括保護人的自主、避免傷害、公平、可解釋性、隱私和資料保護，以及資料質量、完整性和訪問。它特別注意資料怎樣被使用與處理。

IEEE 則強調人權、人的福祉，設計者和運營者的問責，透明，以及減少濫用。它把建設者和使用者兩邊都放進來，值得注意。誤導資訊就是需要防止的濫用之一。

OECD 特別強調讓所有人分享 AI 收益，包括一國內部和跨國的人群。它把這個方向表述為包容增長，相關問題就是數字鴻溝：誰能取得技術，誰不能；誰得到機會，誰被落下。

數字鴻溝並非 AI 出現以後才有。原講解提到，這個詞在 20 世紀 90 年代已廣泛使用，儘管一直有技術跨越式發展的設想，差距卻沒有自動消失。

OECD 其他方向包括人權、透明與可解釋性、穩健與安全，以及問責。你會看到一些概念反覆出現，只是組織方式不同。

比例原則與避免傷害

原講解把 UNESCO 的若干原則合併為幾組，先看比例原則與避免傷害。比例原則直接比較收益和代價：使用 AI 帶來的幫助，是否值得已經造成或可能造成的傷害？

完全不造成傷害，是一個很難簡單滿足的目標。需要觀察環境、準確性、人的能力與關係等取捨。原講解以計算資源消耗、思考練習減少、互動方式變化，以及速度與準確之間的張力說明。

譯註：原文把某些代價說成必然，例如 AI 總比人工處理更不環保，或總會損害認知，這過於絕對。應該比較具體替代方案與實際使用方式。保留的是取捨問題，不是普遍有害的結論。

因此，比例原則不是隻說技術有風險，也不是隻說它提高效率，而是把具體風險與收益放在同一情境裡衡量。

安全、保障與隱私

安全和保障比隱私範圍更廣。系統是否真正有效、是否適合使用環境、是否傷害部分人群，可以與公平問題相交；從網路安全形度，還要看是否得到保護、是否容易被濫用。

隱私與資料保護則進一步問：是否因為洩露、出售或不當分享資料而傷害個人？是否保護資訊免遭濫用？這些問題相互關聯，不能只用一個設定開關概括。

多方治理與合作

另一組原則關注多方參與和合作。原講解說，個人使用者不一定直接參與政策談判，但其背後已有複雜的資料保護、訪問與管轄規則。

有些國家的政策會互相回應，圍繞誰可以取得什麼資料、何時取得、誰有權要求披露等問題形成競爭或衝突。合作的呼籲，是希望在跨境影響下共同處理，而不是每個參與者只看自己的便利。

責任與問責

問責貫穿多個框架。設計不良、缺少明確負責人或責任鏈的系統，會讓人難以追溯誰應當處理後果。開發或使用不當，也可能造成歧視、不公平及其他社會傷害。

因此，需要能夠追蹤的責任關係、適當審查和糾正機制，使系統從開發到實際執行都有人負責，而不是最終以“AI 作出的決定”結束討論。

透明與可解釋性

告訴人們自己正在與 AI 互動，是可以做到的起點。但更深入的透明涉及過程、機制、演算法、資料與其他輸入，是否能由適當第三方檢查。

公開這些內容也可能遇到智慧財產權與商業保密。機構不願分享，並非所有困難的唯一來源；技術本身也可能難以解釋。

可解釋性則試圖把輸入與具體結果連線：為什麼在這個案例中作出這個決定，它是否合理、能否得到說明？這些問題關係公眾信任。

複雜模型會出現所謂黑箱問題：即使希望說明，也難以完整追蹤某個輸出的全部形成過程。不能因為困難，就不再提供責任與救濟。

如果人認為 AI 對自己造成不當影響，能否向適當機關、獨立第三方、仲裁者或司法機構提出問題，得到處理？普通商業中人有投訴途徑，AI 系統也需要在相應制度下接受審查。

原講解最後邀請根據興趣與基礎，選擇較易讀或較專業的材料。可以先認識共同原則，再透過具體應用和不同框架的比較，逐漸深化理解。

關聯閱讀

用倫理原則反思練習檢查一個自己常用的應用，再到可信 AI 框架比較組織層面的監督與責任。

參考與延伸閱讀

以下為編輯補充及譯註核驗入口，不冒充原資料未保留下來的文章連結。

• UNESCO 人工智慧倫理建議書：英語，核對透過時間及比例、公平、隱私、透明等正式原則。
• OECD 人工智慧原則：英語，瞭解包容增長、人權、透明、穩健性及責任的關係。
• 加拿大隱私專員：安全保障洩露的報告要求：英語，查詢 PIPEDA 相關職責及違法行為說明。
• 中國《個人資訊保護法》第六十六條等正式文字：中文，核對處罰與法律責任的具體條款。
• 歐盟 GDPR 正式文字：多語言，查詢保護要求及第八十三條的罰款分類。