AI 時代需要問責接口

AI 發展至今，很多討論都集中在「可解釋性」三個字上。只要一提到黑箱風險，主流回應就是要求模型更透明、推理過程更清楚、輸出理由更完整。這些方向當然重要，但如果把問題只理解為「系統能否解釋自己」，仍然停在技術層。AI 進入社會後，問題已是當它影響判斷、分配機會、篩選資訊、作出建議，甚至實際參與制度流程時，人有沒有位置追問它、覆核它、拒絕它，以及在它出錯時找到負責的一方。換言之，AI 時代真正缺乏的是問責接口。

所謂問責接口，重點是系統必須留下可以被追問的入口。一般人其實未必需要知道神經網絡如何逐層運算或有能力理解所有技術細節，但他至少需要知道：這個結果是由誰部署、用於甚麼場景、根據甚麼規則輸出、出錯時由誰處理、如何提出異議、怎樣申請覆核、能否撤回或修正。若這些位置不存在，那麼即使平台聲稱模型已經更可解釋，對大多數用戶來說仍然沒有太大意義。因為解釋只是一種說明，問責才是一種結構。前者告訴你系統可能怎樣想，後者才決定你能否對它造成實際約束。

這正是很多 AI 討論容易混淆的地方。可解釋性處理的是理解問題，問責接口處理的是權力問題。當 AI 只是玩具或輔助工具時，理解不足的風險還可以由個人自行承擔，但當 AI 被放入教育、醫療、金融、招聘、保險、平台治理、內容分發甚至公共服務，情況就不同了。這時 AI 便是參與決定誰被看見、誰被排除、誰獲得機會、誰被標記為風險。它的輸出會進入制度流程，成為實際後果的一部分。到這一步，再把焦點停留在「模型是否足夠透明」，已經不夠。關鍵是一旦它造成損害，受影響的人可否指出哪一個環節有問題，而不是只能被動接受一個由機器生成、平台包裝、組織採納的結果。

很多科技公司喜歡把「我們正在提升可解釋性」當作一種負責任的姿態，因為這種說法相對安全，也較容易維持主導權。只要問題被定義成技術難題，處理方式自然就是交回工程團隊、研究部門與專業語言之中。於是普通人只能等待專家說明，不能直接介入制度設計。這種路線的最大問題是它容易把追問權再次封閉起來。系統說自己已更透明，但透明到甚麼程度、以甚麼形式透明、透明之後是否容許外部質疑與介入，這些通常仍由平台決定。結果就是所謂透明很多時只是更精緻的單向展示，用戶看到的是一份解釋，但未必得到一個可以改變結果的程序。

再者，AI 時代的風險很多時都是大量細小但無法追問的判斷累積起來，可能是某個求職者的履歷被系統先行降權或是某篇內容被演算法判定為不值得分發等等。單一事件看起來都不夠嚴重，也未必足以構成公眾新聞，但長期累積下來，卻足以塑造人的機會、認知與行為。這種情況下，沒有問責接口的後果尤其明顯，因為你未必能證明自己被不公平對待或指出是哪一個模型導致問題。你只會感覺系統總是朝某個方向推動你，卻沒有地方可以追問。當一個社會越來越多重要判斷都是以這種方式發生，問責缺口就會變成制度常態。

因此，AI 治理要建立的是最低限度的制度接口。第一，任何高影響用途都應保留人類覆核的權利。第二，系統必須有清楚的責任歸屬，不能以「模型自主生成」作為卸責理由。第三，受影響者必須有申訴與修正渠道，而且這些渠道不能設計成高成本、低成功率的形式動作。第四，平台應留下基本的決策紀錄與版本痕跡，讓外部最少可以追查出問題發生在哪一層。這些要求聽起來不像技術突破，卻可能比任何漂亮的可視化解釋更重要，因為它們決定 AI 是否仍然被放在一個可以被社會約束的位置。

說到底，AI 時代最大的危險是社會過早接受一種新的常態：平台可以改變你的機會，但你沒有實質的覆核入口。若問題只被理解為「黑箱是否夠透明」，最後我們得到的可能只是更會解釋自己的黑箱。人類仍然需要保有要求 AI 交代的能力。只有當這個能力被制度化，AI 才不會變成一套無法追究的現實分配機器。