盧建旭（Jyan-Shiu Lu）
AI 治理 101 系列｜第二稿｜2026 年 8 月
一位大學生第一次接觸 AI 治理，很容易先問：「我是不是要學寫程式？」公務員的問題稍有不同：
「我連模型怎麼訓練都不懂，真的有資格審查 AI 系統嗎？」
這些疑問背後有一個沒有說明的假定：只有能夠製造 AI 的人，才有能力判斷 AI。若這個假定成立，
公共政策、採購、法律與行政責任最後都只能交給工程師。
但政府不會因為承辦人不會製造汽車，就取消交通安全審查；也不會因為法制人員不會設計藥品，就放棄藥品管制。
專業技術當然重要，問題在於治理者需要懂到哪一個程度，才能提出正確問題，而不是假裝自己能取代技術專家。
本文的答案是：多數初學者不必先成為程式設計師，
但必須具備足以辨識系統用途、資料來源、可能錯誤與責任界線的技術素養。這不是降低標準，
而是把不同角色真正需要的能力分開。
一、問題不在「懂不懂 AI」，而在你要作成什麼決定
「懂 AI」不是一個有或沒有的單一能力。開發模型、採購系統、使用工具、審查政策及受到系統影響，
需要的知識並不相同。
AI 工程師必須理解模型架構、程式、資料處理與測試方法。機關採購人員未必需要重現模型，
卻要能要求廠商交代資料來源、適用範圍、錯誤率、資安措施與更新責任。第一線公務員不必修改程式碼，
但要知道哪些資料不能輸入、何時必須查核輸出，以及何種案件不能只依賴系統建議。
民眾所需的又不同。他不應被要求先取得資訊工程學位，
才有資格知道 AI 是否參與了自己的福利、貸款、就業或醫療決定。
因此，技術素養的門檻應由「一個人負責作成什麼決定」來決定，而不是用同一張證照要求所有人。
| 角色／身分 | 治理誤區 不一定需要做到 | 核心素養 至少應該能做到 |
| 一般使用者與大學生 | 自行訓練模型、推導演算法 | 說明工具用途、查核重要內容、辨識個資與著作權風險 |
| 公務員與專業人員 | 修改模型程式、獨立完成資安測試 | 判斷資料能否輸入、理解錯誤可能性、保留查核與異議紀錄 |
| 主管、採購及政策人員 | 親自進行模型開發 | 要求證據、設定驗收標準、指定停止條件與責任分工 |
| 技術與稽核人員 | 單獨決定公共價值 | 檢驗資料、模型、資安與效能，並把結果轉成可供行政判斷的說明 |
二、初學者真正需要掌握的，不是所有技術，而是五個基本概念
1. 性質認知
AI 的答案是推估，不是查到唯一正解
許多 AI 系統依據資料中的模式作成分類、預測或文字生成。生成式 AI 看起來像在回答問題，
實際上可能是在產生最可能接續的內容。語句流暢不等於事實正確。
初學者不必先學完機率論，但必須知道：AI 的自信語氣不是證據。
凡是會影響成績、權利、預算或行政處分的內容，都需要回到原始資料查核。
2. 資料邊界
模型看見的世界，取決於訓練資料的範疇與偏誤
資料不是自然出現的。誰被記錄、哪些欄位被留下、過去的分類是否公平，都會影響模型。
若某些族群在資料中長期被忽略，系統可能不是「故意歧視」，卻仍會反覆產生不利結果。
因此，治理者至少要問：資料從哪裡來？是否有權使用？能否代表現在的服務對象？資料缺漏時，
系統會把誰誤判成異常？
3. 情境敏感
同一套模型換了用途，風險等級可能完全不同
用 AI 整理公開會議紀錄，與用它篩選社會福利案件，不能因為採用同一項產品就視為相同風險。
真正影響治理判斷的，是使用目的、受影響者、資料敏感程度，以及錯誤能否被補救。
這就是為什麼 NIST 的 AI 風險管理框架，
以治理（GOVERN）、情境界定（MAP）、衡量（MEASURE）與管理（MANAGE）作為四項核心功能
。組織先建立治理架構並理解使用情境，再衡量與處理風險。它不是要每個人背誦技術名詞，
而是要求組織把系統放回實際情境檢查。
4. 監督實質
缺乏資訊與權限的「最後確認」，只是形式簽核
如果承辦人看不到模型依據、沒有時間重新查核，又會因推翻建議而增加個人責任，最後的確認鍵只是形式簽核。
懂得操作介面，不代表有能力監督系統。
人類監督至少需要資訊、時間、權限與組織保障。這也是技術素養不能只交給個人自行學習的原因。
5. 動態治理
系統與環境持續改變
學習不能停在一次訓練。模型版本、資料來源、供應商條款與機關用途都可能改變。昨天可以使用的功能，
今天可能新增資料傳輸；原本只供草擬的工具，也可能逐漸被拿來協助實質判斷。
治理因此不是上完一門課就完成，而是必須知道版本改變後由誰重新檢查、何時需要暫停，
以及人工備援是否仍然可用。
三、會寫提示詞很有用，但那不等於具備 AI 治理能力
提示詞可以幫助使用者說清楚任務、指定格式並要求模型檢查。但是，提示詞技巧容易帶來另一種過度樂觀：
只要問得夠好，系統就會變得可靠。
事情沒有這麼簡單。提示詞不能證明訓練資料合法，不能消除模型偏差，也不能替機關建立申訴程序。
它更不能回答一個根本問題：這項工作是否適合交給 AI？
過度依賴提示詞還可能形成一種「安全假象」。
使用者若以為加上「請勿產生幻覺」、「請客觀回答」或「請只提供正確資訊」，就能保證輸出可靠，
反而可能降低查核意願。這些指示可以改善回答方向，卻不能免除使用者與機關事後查核、保存依據及承擔決定責任。
對初學者而言，較合理的順序是先確認任務與資料能否交給系統，再學習如何提問；取得答案後，
仍須查核來源、比較異常並保留必要紀錄。提示詞是使用技能，不是治理的替代品。
四、哪些技術可以暫時不學？答案取決於你的職涯選擇
如果目標是成為機器學習工程師、資料科學家或技術稽核人員，
程式設計、統計、線性代數、資料庫與模型測試當然不可迴避。
但若目標是公共行政、法律、教育、社會工作或一般管理，不需要因為 AI 出現就放棄原有專業，
轉而與工程師競爭寫程式。領域知識仍決定一項結果是否合理、合法並符合服務對象的需要。
不過，「我不是資訊人員」也不能成為完全不學的理由。當 AI 已經進入工作流程，
專業人員至少必須懂得判斷其適用範圍與錯誤後果。否則，領域專業可能只剩下替系統結果簽名。
本文較傾向把學習分成兩條路：所有人都要具備基本治理素養；只有需要開發、測試或深度稽核的人，
才進一步學習程式與數學。兩條路可以交會，但不必假裝人人都要走到同一終點。
五、公務員需要的技術素養，應該直接連到行政責任
公務員面對的第一個問題通常不是模型架構，而是資料能否輸入。
行政院相關指引已要求業務承辦人不得把公務應保密、個人或未經同意公開的資訊提供給生成式 AI。
數位發展部的《公部門人工智慧應用參考手冊》也把 AI 導入、資料治理與成效評估放在同一個流程中。
這些規範是必要底線，但仍有一個隱含假定：只要告知承辦人不得輸入哪些資料，機關就已完成治理。
問題是，承辦人是否知道外部服務把資料送往哪裡？機關是否提供合規工具？
主管是否容許承辦人因查核而降低處理速度？如果組織沒有提供安全環境、教育訓練、查核時間與異議程序，
最後就會把制度風險轉成個人的操作責任。
因此，公務員的學習至少要與四項行政動作相連：使用前辨識資料與任務風險；使用中記錄工具、版本與重要提示；
使用後查核來源與異常；發現高風險或無法說明時，能夠停止使用並回到人工程序。
歐盟《人工智慧法》第 4 條的核心，是要求 AI 系統的提供者與部署者採取 AI 素養措施，
使代表其操作或使用系統的人員具備與工作相稱的能力；
措施的設計則須考量技術知識、經驗、教育訓練、使用情境及受影響者。它不是要求所有人取得同一張證書。
這個方向值得參考：訓練應跟著責任走，不是辦完一場通識演講就算完成。
六、初學者可以怎麼開始？先建立一個可查核的學習循環
學習 AI 最容易陷入兩個極端：一種是因技術名詞太多而完全不碰；另一種是不斷追逐新工具，
卻沒有累積判斷能力。
較穩健的做法，是選擇一項低風險、可以人工核對的任務，例如整理公開資料、比較既有文字或產生會議提綱。
每次使用都記下四件事：交給系統什麼資料、它產生什麼結果、你如何查核、哪一種錯誤最難發現。
接著再把同一套問題帶回自己的專業領域。法律背景的人可以檢查理由與權利救濟；
行政人員可以檢查授權、程序與責任；社會科學學生可以檢查分類方式與代表性。
這樣的學習不會立刻讓人成為工程師，卻能逐步形成跨專業合作所需的共同語言。
初學者的最低技術素養：看到任何 AI 工具，先問六件事
• 它要協助完成什麼任務，是否也在影響實質判斷？
• 它使用或接收哪些資料，其中是否包含個資、機密或受保護內容？
• 輸出是事實查詢、機率推估，還是生成內容？
• 最常見且後果最嚴重的錯誤是什麼，誰負責查核？
• 民眾或同事能否知道 AI 曾經參與，並提出異議？
• 系統無法說明、版本改變或發生損害時，誰有權停止並回到人工程序？
結語：技術素養的標準，不是知道多少名詞，而是能否作成負責任的判斷
AI 技術仍會快速改變。若把入門門檻設成理解所有模型、程式與數學，多數大學生與公務員永遠只能站在門外；
但若把 AI 素養縮小成會使用聊天工具，治理又會失去資料、權利與責任問題。
較合理的界線是：初學者不必知道如何製造每一套模型，
但必須知道系統在做什麼、可能在哪裡出錯、哪些資料不能交付，以及出了問題如何停止與追究責任。
這仍不是個人單獨可以完成的任務。學校必須把 AI 素養放回各專業的判斷情境；
政府機關必須提供合規工具、分級訓練、查核時間與異議保障；技術人員則有責任把限制轉成使用者能理解的說明。
AI 治理需要跨領域人才，但跨領域不是要求每個人學會所有事情。它真正要求的是：各自保有專業，
同時具備足以看見彼此限制、共同承擔公共後果的能力。
官方延伸閱讀
歐盟執委會：AI Literacy – Questions & Answers
NIST：AI Risk Management Framework
稿件說明
本文的法規及政策資料查核至 2026 年 8 月 5 日。
歐盟《人工智慧法》第 4 條的 AI 素養要求、NIST AI RMF 四項核心功能與臺灣公部門使用規範
的敘述，係依官方資料整理；本文對「角色決定技術素養門檻」、「訓練應跟著責任走」及最低技術素養六問的主張，
則是作者為本系列提出的分析觀點。文章尚待作者審閱，未經核定前不宜直接發布。
想一想
如果你不是工程師，也不會寫程式，是否就無法參與 AI 治理？
A. 是，只有能理解模型程式的人才有資格討論 AI。
B. 否，雖然不必成為工程師，但應理解 AI 的資料邊界、可能錯誤、適用情境與監督責任。
C. 否，因為 AI 完全不需要技術知識。
較適當的是 B。
AI 治理不要求每個人都成為技術專家，但也不能把所有問題都交給技術人員。大學生、公務員、教師與一般公民至少要能問出：這個系統依據什麼資料？在哪些情況可能失準？誰能覆核？出了問題如何停止與修正？這些都是治理能力，而不是程式能力。
回到AI治理101