人們常說智慧型機器人能「看見」、「聽懂」、「思考」或「自己走路」。這些說法雖然容易理解，卻也可能讓人誤以為機器人和人一樣了解現場。
事實上，機器人並不是用人的方式看、聽與判斷。它所接收到的是影像、聲音、距離、位置、溫度、速度與其他可被轉換成資料的訊號；再由系統依照既有模型與設定，將這些訊號轉換成某種判斷與行動。
理解這個過程，不需要工程背景；但有助於我們看清楚，錯誤、偏差與責任可能在何處發生。
一、機器人的「眼睛」：感測器不是客觀的真相
智慧型機器人通常透過攝影機、紅外線感測器、雷達、光達、GPS、麥克風或壓力感測器認識周遭環境。
例如，巡檢機器人利用攝影機辨識人與物；配送機器人透過雷達或光達避開障礙物；照護系統可能透過穿戴設備或感測墊掌握長者是否長時間未移動；無人機則用影像與定位資料執行巡查。
但感測器取得的不是完整世界，而是特定角度、特定解析度與特定條件下的訊號。
一支攝影機可能因逆光、夜間、雨霧、遮蔽物或人潮而看不清楚；一部麥克風可能受到背景噪音、口音或說話速度影響；GPS在室內或高樓密集區域也可能出現偏差。
因此，第一個重要原則是：
機器人蒐集到的資料，不等於現場的全部事實。
政府或組織在導入智慧型機器人時，不能只問「是否裝了感測器」，還要問它在什麼條件下準確、在哪些條件下會失效，以及失效時由誰接手。
二、從訊號到分類：系統如何把資料變成「判斷」？
感測器蒐集到資料後，系統必須將它轉換成可行動的資訊。
攝影機拍到的是像素；麥克風收到的是聲音波形；定位裝置得到的是座標與時間。這些原始訊號本身沒有「可疑人物」、「跌倒」、「障礙物」或「緊急事件」的意義。
系統必須透過演算法與模型進行辨識、分類或預測，才會將資料轉成具體標籤。例如：
- 影像中的某個物體，被判斷為人、自行車、輪椅或行李箱；
- 一段聲音，被判斷為求救、一般談話或背景噪音；
- 一組行為資料，被判斷為跌倒風險、異常停留或需要協助；
- 一條路徑，被判斷為可通行、需要減速或必須停止。
問題在於，分類不是純粹客觀的發現，而是機率性的推估。系統依據過去資料學習「什麼看起來像某一類」，再把新的情況放進既有分類框架。
這意味著，系統可能把「不是」看成「是」，也可能把「是」看成「不是」。前者稱為誤報，後者稱為漏報；兩者都可能在不同公共情境中造成傷害。
三、機器人的「判斷」不是單一步驟
一部看似簡單的巡檢或配送機器人，通常要經過多個環節才能行動：
- 感測：蒐集影像、聲音、距離、位置或其他資料。
- 辨識：判斷前方是人、物體、道路、危險或其他類別。
- 推估：預測物體是否移動、路徑是否安全、事件是否需要處理。
- 決策：選擇停下、繞行、發出警示、回報人員或執行任務。
- 行動：移動、開啟設備、傳送資料、通知人員或影響後續處置。
每一個環節都可能發生落差。攝影機可能沒有拍清楚；分類模型可能把輪椅誤判為障礙物；系統可能因設定過度保守而頻繁停下；訊息送到後臺後，也可能無人及時處理。
因此，若只在最後追問「機器人為什麼這樣做」，往往已經太晚。治理需要沿著整條過程檢查：問題從哪一個環節開始被建構，又在哪一個環節轉化為實際影響。
四、資料越多，不一定越安全
有人以為，只要裝設更多攝影機、感測器與資料設備，機器人就會更準確、更安全。這種想法並不完全正確。
更多資料可能改善某些辨識能力，但也同時帶來三種風險。
第一，是隱私與監控範圍擴大。當公共空間中的影像、聲音、定位與行為資料被持續蒐集，人民可能不知道資料是否被保存、誰能調閱、會與哪些系統連結。
第二，是錯誤資料被放大。如果感測器本身失準，或模型對某些場景辨識較差，更多資料未必修正問題，反而可能讓錯誤判斷看起來更有根據。
第三，是目的逐漸擴張。原本為了道路安全蒐集的資料，可能被用於秩序維護、商業分析或其他未經充分說明的用途。技術一旦被部署，使用範圍往往比原先宣稱的目的更容易擴大。
所以，資料治理不只是「資料夠不夠多」，而是資料是否為特定、正當且必要的目的而蒐集與使用。
五、從技術流程回到治理問題
理解感測器、資料與演算法，並不表示公務員或公民必須親自檢查程式碼。真正重要的是能提出適當問題。
當政府或公共機構採用智慧型機器人時，至少應能回答：
- 這個系統蒐集哪些資料？哪些資料其實不必蒐集？
- 資料如何儲存、保護、刪除與調閱？
- 系統在什麼情境下特別容易誤判？
- 誤報與漏報各會造成什麼後果？
- 發生疑似異常時，是由機器人自行處置，還是通知人員確認？
- 有沒有人能即時停止系統，並保留紀錄供後續檢討？
- 被系統影響的民眾，是否知道如何要求說明或提出異議？
這些不是工程師單獨可以回答的問題。它們涉及業務單位、資訊人員、法制人員、採購人員、現場工作者與主管機關共同的責任。
六、不能只相信「系統說」
當機器人產生警示或作出建議時，現場人員很容易因為系統看起來精密而過度相信它。這種現象稱為「自動化偏誤」：人們傾向把機器的判斷視為較客觀、較可靠，因而減少自己的查核。
但在公共服務中，系統提示應當是重新查核的起點，而不是責任的終點。
例如，照護系統偵測到跌倒風險，工作人員應當確認當事人的實際狀況；巡檢系統辨識出異常行為，後續處理者應先理解現場脈絡；交通系統建議改變號誌或路線時，主管機關也應檢查它是否會對特定使用者造成不成比例的負擔。
人類監督不是在機器人完成判斷後簽名，而是要能夠理解、質疑、修正與停止。
結語：技術理解是為了保持判斷權
智慧型機器人透過感測器、資料與演算法形成判斷；但這不代表它已經理解現場，更不代表它可以取代公共責任。
對大學生而言，理解這些基本流程，有助於未來在不同領域中辨識技術的限制；對公務員而言，這是採購、導入與監督時不可缺少的能力；對一般公民而言，這也是要求透明、說明與救濟的前提。
下一步，我們將討論另一個最常被問到的問題：智慧型機器人究竟會不會取代人？
下一篇預告
〈智慧型機器人會取代人嗎？——從工作替代走向人機協作與專業判斷〉
下一篇將討論：當機器人開始承擔重複性、危險性或高度標準化的工作時，人類真正需要保留與強化的是什麼能力。
[上一篇]｜返回智慧型機器人101總覽｜[下一篇]