快速回答：AI Bias 是什麼？
AI Bias（AI 偏見）是指 AI 系統因為訓練資料中的偏差或演算法設計的缺陷，而對特定群體產生不公平、不準確或歧視性結果的現象。例如招聘 AI 偏好男性候選人、人臉辨識對深色皮膚的誤判率較高、信貸評分對特定族群不利——這些都是 AI 偏見的真實案例。AI 不是故意歧視，而是「學到了」人類社會中既有的偏見。
AI Bias 的正式定義
AI Bias（人工智慧偏見）是指 AI 系統在訓練、開發或部署過程中，因為資料偏差、演算法設計、或人為決策等因素，導致系統對特定群體產生系統性的不公平待遇或歧視性結果。
這種偏見可以出現在 AI 生命週期的任何階段——從資料收集、標記、模型訓練，到部署後的實際應用。
- NIST：AI 偏見是指 AI 系統的輸出與預期結果之間存在系統性差異，且這種差異與受保護群體的特徵有關。
- 歐盟 AI 法案：AI 系統不得對特定群體產生歧視性影響，開發者有義務在部署前進行偏見評估。
- UNESCO：AI 偏見是一種社會技術挑戰，反映了設計者的假設、訓練資料的結構性不平等，以及技術選擇中的價值判斷。
白話解釋：AI 偏見就像什麼？
想像你請一個實習生幫你篩選履歷。你給他過去十年錄取的員工資料當「參考範本」。
問題是：過去十年你的公司幾乎只錄取男性工程師。
實習生看完範本後，學到了一個「規律」——男性被錄取的機率比較高。所以他開始自動把女性候選人的履歷排到後面。
他不是故意歧視，他只是「照學的做」。AI 偏見就是這樣產生的——AI 像一面放大鏡，忠實地反映並放大了訓練資料中的偏見。
偏見從哪裡來？五大來源
1. 訓練資料偏差（Data Bias）
訓練資料本身就帶有人類社會的歷史偏見。例如歷史招聘資料以男性為主、醫療研究資料以白人為主。AI 從這些資料中學習，自然會繼承這些偏見。
2. 代表性不足（Representation Bias）
訓練資料中某些群體的樣本太少。例如人臉辨識資料集以淺色皮膚為主，導致模型對深色皮膚的辨識準確率顯著較低。
3. 標記偏差（Labeling Bias）
標記人員的主觀判斷會影響模型。例如「這段文字有沒有仇恨言論？」不同文化背景的標記者可能有不同判斷標準。
4. 歷史偏見（Historical Bias）
即使資料收集過程完美，如果社會本身就存在結構性不平等，AI 也會忠實反映。例如某些地區的貸款核准率歷史上就對特定族群較低。
5. 測量偏見（Measurement Bias）
用來衡量目標的指標本身就帶有偏見。例如用「逮捕率」代替「犯罪率」來訓練犯罪預測模型——逮捕率反映的是警力分配，不是犯罪實態。
常見的 AI 偏見類型
| 偏見類型 | 說明 | 典型案例 |
|---|---|---|
| 性別偏見 | 對特定性別產生不公平結果 | 招聘 AI 自動降低女性排名 |
| 種族偏見 | 對特定種族或膚色產生歧視 | 人臉辨識對深色皮膚誤判率高 |
| 年齡偏見 | 對特定年齡層不利 | 信貸模型對年長者評分較低 |
| 地理偏見 | 以特定地區為中心，忽略其他區域 | 語言模型以歐美觀點為主 |
| 語言偏見 | 對特定語言的處理品質差異大 | 英文 AI 表現遠優於中文或東南亞語言 |
| 社經偏見 | 對不同社經地位的人產生差異 | 保險定價模型對低收入區域不利 |
真實案例：AI 偏見造成的影響
Amazon 招聘 AI（2018）
Amazon 開發了一套 AI 招聘系統，用來自動篩選工程師履歷。但因為訓練資料來自過去十年以男性為主的錄取記錄，系統學會了「女性」是負面特徵——包含「女性」字眼的履歷（如「女子棋社社長」）會被自動降分。Amazon 最終廢棄了這套系統。
COMPAS 累犯預測系統
美國法院使用 COMPAS 系統預測被告再犯風險。ProPublica 的調查發現，這套系統對黑人被告的「高風險」誤判率是白人被告的近兩倍，而對白人被告的「低風險」誤判率則更高。
人臉辨識的膚色偏見
MIT 研究員 Joy Buolamwini 的 Gender Shades 研究揭示，主流人臉辨識系統對深色皮膚女性的錯誤率高達 34.7%，但對淺色皮膚男性的錯誤率僅 0.8%。
醫療風險評估偏見
美國一套廣泛使用的醫療 AI 系統被發現對黑人患者的健康風險評估系統性偏低，原因是系統用「醫療支出」代替「實際健康狀態」作為指標——而黑人患者的醫療支出因社經因素本來就較低。
如何緩解 AI 偏見？
1. 多元化訓練資料
確保訓練資料涵蓋不同性別、種族、年齡、地區的樣本。定期審核資料集的代表性，補充不足的群體樣本。
2. 建立公平性指標
在模型評估時，不只看整體準確率，還要看各群體間的表現差異。常用指標包括：
- Demographic Parity：各群體獲得正面結果的比例是否接近
- Equal Opportunity：各群體的真陽性率是否接近
- Predictive Parity：各群體的預測精準度是否接近
3. Bias Audit（偏見稽核）
在模型上線前和上線後，定期進行偏見稽核。用不同群體的測試資料檢驗模型的公平性，並記錄結果。
4. Adversarial Debiasing（對抗式去偏）
使用對抗式訓練技術，讓模型在學習預測目標的同時，無法從預測結果中推斷出受保護屬性（如性別、種族）。
5. 人類審查迴路（Human-in-the-Loop）
在高風險決策中，保留人類審查環節。AI 提供建議，但最終決定由人類做出——特別是在招聘、信貸、法律、醫療等領域。
6. 透明度與可解釋性
使用可解釋性工具（如 SHAP、LIME）分析模型的決策依據，檢查是否有不當的特徵影響。讓利益相關者能理解 AI 的決策邏輯。
企業 AI 偏見治理建議
2026 年，AI 偏見治理已從「可選」變成「必要」。以下是企業建議的治理框架：
- 組建多元化團隊：確保 AI 開發團隊在性別、種族、年齡、專業背景上具有多元性
- 制定 AI 倫理準則：明確定義公平性標準和紅線
- 建立偏見評估流程：在模型開發的每個階段都進行偏見檢查
- 設立投訴和修正管道：讓受影響的使用者能回報偏見問題
- 定期稽核與更新：AI 偏見會隨時間和環境變化，需要持續監控
- 遵循法規：關注歐盟 AI 法案、各國 AI 治理法規的要求
常見誤解
「AI 是客觀的，不會有偏見」
AI 從人類產生的資料中學習，會忠實反映甚至放大資料中的偏見。AI 的「客觀」只是指它一致地執行從偏見資料中學到的模式。
「更多資料就能解決偏見」
如果資料本身的結構性偏見沒有被處理，增加資料量只會讓模型更「確信」這些偏見是正確的。質量和代表性比數量更重要。
「只要不用敏感特徵就不會有偏見」
即使不直接使用性別、種族等特徵，模型也可能透過其他相關特徵（如郵遞區號、姓名、消費模式）間接推斷出敏感屬性。這稱為「代理偏見」（Proxy Bias）。
「偏見是技術問題，工程師就能解決」
AI 偏見是一個社會技術問題，需要跨領域的合作——包括社會學家、倫理學家、法律專家、受影響社群的代表，不只是工程師。
常見問題 FAQ
AI Bias 是什麼意思？
AI Bias 是指 AI 系統因為訓練資料中的偏差、演算法設計的缺陷，或標記過程中的主觀判斷，而對特定群體產生不公平或歧視性結果的現象。它不是 AI 故意歧視，而是反映了人類社會中既有的偏見。
AI 偏見有哪些常見類型？
常見類型包括：性別偏見（招聘 AI 偏好男性）、種族偏見（人臉辨識對深色皮膚誤判率較高）、年齡偏見（信貸模型對年長者不利）、地理偏見（訓練資料以歐美為主導致區域盲點）、語言偏見（英文表現遠優於其他語言）。
為什麼 AI 會有偏見？
AI 的偏見主要來自三個環節：訓練資料本身就帶有人類社會的歷史偏見、資料收集過程中的代表性不足、以及標記人員的主觀判斷。AI 從資料中學習模式，如果資料有偏差，模型就會放大這些偏差。
AI 偏見可以完全消除嗎？
目前無法完全消除，但可以大幅緩解。透過多元化訓練資料、建立公平性指標、定期進行 Bias Audit、使用 Adversarial Debiasing 等技術，可以顯著降低偏見程度。關鍵是持續監控和改善，而非期望一次性解決。
企業該如何處理 AI 偏見問題？
企業應建立 AI 治理框架，包含：組建多元化團隊、制定公平性指標、在模型上線前進行 Bias Audit、建立持續監控機制、設立投訴和修正管道，以及遵循相關法規（如歐盟 AI 法案）。
台灣有 AI 偏見的相關法規嗎？
台灣目前尚未有專門針對 AI 偏見的法規，但個人資料保護法和反歧視相關法規可間接適用。2026 年台灣正在參考歐盟 AI 法案（EU AI Act）制定本土化的 AI 治理指引。