簡而言之： 當人工智慧被應用於高風險決策、監控或勸誘等缺乏明確限制、未獲得知情同意且沒有真正申訴權的場合時，它就走得太遠了。當深度偽造和可規模化的詐騙手段讓信任變成一場賭博時，它就再次越界了。如果人們無法分辨人工智慧在其中扮演的角色，無法理解某個決策為何如此，或是無法選擇退出，那麼它就已經走得太遠了。
重點總結：
邊界： 定義系統不能做什麼，尤其是不確定性較高的情況。
問責： 確保人們可以在不受懲罰或時間壓力陷阱的情況下推翻結果。
透明度： 告訴人們人工智慧何時參與決策以及它做出決策的原因。
可質疑性： 提供快速、可行的申訴途徑和明確的糾正錯誤資料的方法。
防止濫用： 增加來源資訊、速率限制和控制措施，以遏制詐騙和濫用行為。
“人工智慧是否走得太遠了？”
奇怪的是，這種越界行為並非總是顯而易見。有時它聲勢浩大、引人注目，就像深度偽造騙局一樣。 （美國聯邦貿易委員會， 聯邦調查局）有時它卻悄無聲息——一個自動化的決定在沒有任何解釋的情況下悄然改變你的生活，而你甚至沒有意識到自己已經被「評分」了。 （英國資訊專員辦公室， 《一般資料保護條例》第22條）
所以…… 人工智慧是否發展過頭了？ 在某些方面，是的。在其他方面，它又發展得不夠——因為在使用人工智慧時，缺少了那些看似不起眼但至關重要的安全保障措施，這些措施能確保工具發揮其應有的作用，而不是像帶有友好用戶界面的輪盤賭一樣隨意轉動。 🎰🙂（NIST AI RMF 1.0， 歐盟人工智慧法案）
您可能還想閱讀以下文章：
🔗 為什麼人工智慧可能對社會有害
主要社會風險：偏見、就業、隱私和權力集中。.
🔗 人工智慧對環境有害嗎？其隱蔽的影響
培訓、資料中心和能源使用如何增加排放。.
🔗 人工智慧是好是壞？優缺點分析
對收益、風險和實際權衡取捨進行了全面而平衡的概述。.
🔗 為什麼人工智慧被認為是不好的：它的陰暗面
探討濫用、操縱、安全威脅和倫理問題。.
人們常說的「人工智慧是否發展過頭了？」到底是什麼意思？ 😬
大多數人並非在問人工智慧是否「有感知能力」或「正在接管人類」。他們關注的是以下幾點：
-
人工智慧正被用於不應使用的地方。 （尤其是在高風險決策中。）（歐盟人工智慧法案附件三， GDPR 第 22 條）
-
人工智慧未經同意就被使用。 （你的數據、你的聲音、你的臉……一點也不意外。）（英國資訊專員辦公室， GDPR 第 5 條）
-
人工智慧越來越擅長操縱使用者註意力。 （資訊流+個人化+自動化=使用者黏性。）（經合組織人工智慧原則）
-
人工智慧正在使真相變得可有可無。 （深度偽造、虛假評論、合成「專家」。）（歐盟委員會、 美國聯邦貿易委員會、 C2PA）
-
人工智慧正在集中權力。 （少數系統塑造每個人所見所聞和所能做的事情。）（英國競爭與市場管理局）
這就是「人工智慧是否走得太遠了？」這個問題的核心所在。它並非源自於某個單一事件，而是各種激勵機制、捷徑以及「以後再說」心態的累積——坦白說，這種心態往往最終會演變成「等到有人受傷了再說」。 😑
一個並非秘密的真相：人工智慧是倍增器，而非道德主體🔧✨
人工智慧不會自行覺醒並決定作惡。是人和組織賦予了它這種意圖。但它會放大你輸入給它的任何資訊：
-
善意的意圖變得 非常有幫助 （翻譯、無障礙訪問、摘要、醫療模式識別）。
-
粗心大意會演變成 極度粗心 （大規模偏見、錯誤自動化）。
-
惡意行為會變得 極為惡劣 （詐欺、騷擾、宣傳、冒充他人）。
這就像給一個蹣跚學步的孩子一個擴音器。有時候孩子會唱歌……有時候孩子會直接對著你的靈魂尖叫。這個比喻可能不太恰當——有點傻——但意思很貼切😅📢。.
在日常使用中，什麼樣的AI才算好用？ ✅🤝
人工智慧的「優秀版本」並非取決於它的智慧程度，而是取決於它在壓力、不確定性和誘惑（而人類容易受到廉價自動化技術的誘惑）下的表現。 （NIST AI RMF 1.0， OECD）
當有人聲稱他們的人工智慧應用導致了事故發生時，我會關注以下幾點：
1）明確界限
-
系統被允許做什麼？
-
明確禁止做什麼？
-
如果結果不確定會怎樣？
2）真正意義上的、而非形式上的人性責任。
人工「審核」結果只有在下列情況下才重要：
-
他們明白自己正在審核的內容，而且
-
他們可以凌駕於規則之上，而不會因為拖慢進度而受到懲罰。.
3）恰當的可解釋性
並非人人都需要數學。但人們確實需要：
-
做出決定的主要原因
-
使用了哪些數據？
-
如何申訴、更正或選擇退出。 （英國資訊專員辦公室）
4）可衡量的性能－包括故障模式
不僅僅是“準確率”，而是：
-
它對誰都無效，
-
它常常悄無聲息地失敗，
-
當世界發生變化時會發生什麼？ （NIST AI RMF 1.0）
5) 隱私和同意機制不應“隱藏在設定中”
如果獲得同意需要像尋寶一樣在選單中找到資訊……那根本算不上同意，而是需要額外步驟的漏洞😐🧾。 （GDPR 第 5 條， 英國資訊專員辦公室）
比較表格：防止人工智慧過度發展的實用方法🧰📊
以下是一些“最佳選擇”，因為它們是常見的護欄或操作工具，可以改變結果（而不僅僅是氛圍）。.
| 工具/選項 | 觀眾 | 價格 | 為什麼有效 |
|---|---|---|---|
| 人機互動審查（歐盟人工智慧法案） | 團隊做出高風險決定 | 時間成本 | 減緩糟糕的自動化流程。此外，人類有時還能注意到一些奇怪的極端情況… |
| 決定申訴流程（GDPR 第 22 條） | 受人工智慧決策影響的用戶 | 相對自由 | 增加了正當程序。人們可以更正錯誤數據——這聽起來很簡單，因為它確實很簡單。 |
| 稽核日誌 + 可追溯性（NIST SP 800-53） | 合規、營運、安全 | £-££ | 它能讓你在失敗後回答“發生了什麼？”，而不是聳聳肩。 |
| 模型評估 + 偏差測試（NIST AI RMF 1.0） | 產品+風險團隊 | 差別很大 | 能及早發現可預見的危害。雖然不完美，但總比瞎猜強。 |
| 紅隊測試（NIST GenAI Profile） | 安保人員 | £££ | 在真正的攻擊者實施攻擊之前模擬濫用行為。雖然令人不快，但值得😬 |
| 數據最小化（英國資訊專員辦公室） | 坦白說，每個人都 | £ | 數據越少，混亂就越少。資料外洩事件也越少，尷尬的對話就越少。 |
| 內容來源訊號（C2PA） | 平台、媒體、用戶 | £-££ | 有助於驗證「這是否是人做的？」——雖然並非萬無一失，但可以減少混亂。 |
| 速率限制 + 存取控制（OWASP） | 人工智慧提供者 + 企業 | £ | 立即阻止濫用行為的蔓延。就像給不法分子設定了減速帶。 |
是的，桌子有點不平。人生就是如此。 🙂
人工智慧在高風險決策中的應用：當它走得太遠時🏥🏦⚖️
接下來事情會迅速變得嚴峻。.
人工智慧在 醫療保健、 金融、 住房、 就業、 教育、 移民、 刑事司法等 領域的應用——這些系統都涉及以下方面：（歐盟人工智慧法案附件三， FDA）
-
錯誤可能會使人損失金錢、自由、尊嚴或安全。
-
受影響的人往往缺乏反抗的能力。.
最大的風險不在於“人工智慧會犯錯”，而在於 人工智慧的錯誤最終會成為政策。 （NIST AI RMF 1.0）
這裡所說的「太過分」是什麼樣的呢？
-
自動決策不作解釋：「電腦說不行。」（英國資訊專員辦公室）
-
將「風險評分」視為事實而非猜測。.
-
因為管理階層追求速度，所以無法左右結果的人。.
-
數據雜亂無章、有偏見、過時或完全錯誤。.
哪些是不可談判的？
-
上訴權 （快速、易懂、不複雜）。 （GDPR 第 22 條， 英國資訊專員辦公室）
-
知情權： 人工智慧參與了相關研究。 （歐盟委員會）
-
人工審核 以確保最終結果的有效性。 （NIST AI RMF 1.0）
-
對資料進行品質控制 －因為「垃圾進，垃圾出」這句話仍然是殘酷的現實。
如果你想劃清界限，那就這樣吧：
如果人工智慧系統能夠實質地改變人們的生活，那麼它就需要像其他權威機構一樣受到嚴肅對待。禁止對未註冊用戶進行「beta測試」。 🚫
深度偽造、詐騙，以及「我相信我的眼睛」這種觀念的緩慢消亡👀🧨
正是這一點讓日常生活感覺……如履薄冰。.
當人工智慧能夠生成：
-
一段公眾人物「發表」言論的視頻，
-
大量虛假評論看起來非常真實，（美國聯邦貿易委員會）
-
一個虛假的LinkedIn個人資料，包括虛假的工作經驗和虛假的好友…
……這不僅助長了詐騙，也削弱了陌生人之間相互協作的社會連結。而社會運作正是建立在陌生人之間的協作上的。 😵💫
「太過分」不僅僅指虛假內容。
問題在於 不對稱性：
-
編造謊言成本很低。.
-
核實真相既昂貴又耗時。.
-
大多數人都很忙、很累，都在刷手機。.
什麼（有點）有幫助？
-
媒體來源標記。 （C2PA）
-
阻礙病毒式傳播的摩擦－減緩瞬間大規模分享的速度。.
-
在重要領域（金融、政府服務）加強身分驗證。.
-
個人基本的「帶外驗證」習慣（回撥電話、使用暗號、透過其他管道確認）。 （美國聯邦貿易委員會）
並不光鮮亮麗。但安全帶也不光鮮亮麗，而我個人對它們很有感情。 🚗
監控蔓延：人工智慧悄悄將一切變成感測器📷🫥
這種影片不會像深度偽造影片那樣迅速傳播，它只會慢慢擴散。.
人工智慧讓以下事情變得容易：
-
追蹤運動模式，
-
從影片中推斷情緒（通常推斷得不太準確，但卻很自信），（Barrett 等人，2019 年， 歐盟人工智慧法案）
-
根據行為或社區氛圍來預測「風險」。.
即使預測不準確，仍然可能造成危害，因為它可能成為介入的理由。錯誤的預測仍然會引發實際的後果。.
令人不舒服的部分
人工智慧監控往往披著安全外衣：
-
“這是為了防止詐欺。”
-
“這是為了安全。”
-
“這都是為了提升用戶體驗。”
有時候確實如此。有時候，這只是一個方便的藉口，用來建造一些日後很難拆卸的系統。就像在自己家裡安裝單向門，因為當時覺得這樣很方便。當然，這個比喻並不完美——甚至有點荒謬——但你肯定能體會那種感覺。 🚪😅
這裡「好」的定義是什麼？
-
嚴格限制資料保留和共享。.
-
明確選擇退出。.
-
使用場景較為狹窄。.
-
獨立監督。.
-
請勿將「情緒偵測」用於懲罰或門檻控制。拜託了。 🙃（歐盟人工智慧法案）
工作、創造力與悄悄發生的技能退化問題🧑💻🎨
辯論的焦點在於身分認同，因此變得非常私人化。.
人工智慧可以提高人們的工作效率，但也可能使人們感到自己可有可無。這兩種情況可能同時發生，甚至在同一周內。 （經合組織， 世界經濟論壇）
真正有幫助的地方
-
編寫日常文本，讓人們能夠專注於思考。.
-
針對重複模式的編碼輔助。.
-
輔助使用工具（字幕、摘要、翻譯）。.
-
遇到難題時，不妨集思廣益。.
過猶不及
-
沒有過渡計畫就進行崗位更替。.
-
利用人工智慧提高產量，同時壓低工資。.
-
取消初級職位——這聽起來很高效，但當你意識到你剛剛燒毀了未來專家需要攀登的階梯時，你就會明白這有多好。.
技能退化是悄無聲息的。你平時察覺不到。但有一天，你會突然意識到團隊裡沒人記得沒有助理該怎麼操作了。如果助理錯了，你們就都自信滿滿地跟著一起錯……這簡直就是一場惡夢。 😬
權力集中：誰來設定預設？ 🏢⚡
即使人工智慧是「中立的」（實際上並非如此），誰控制了它，誰就能塑造：
-
哪些資訊容易取得？
-
哪些內容會被推廣，哪些內容會被埋沒？
-
允許使用哪些語言？
-
鼓勵哪些行為？.
而且由於人工智慧系統的建設和運作成本高昂，權力往往會集中。這不是陰謀論，而是披著科技外衣的經濟學。 （英國競爭與市場管理局）
這裡「太過分」的時刻到了。
當預設規則變成隱形法則：
-
你不知道哪些內容被過濾掉了。
-
你無法檢查其邏輯。
-
而且，如果不放棄工作、融入社區或獲得基本服務，你實際上無法選擇退出。.
一個健康的生態系統需要競爭、透明度和真正的用戶選擇。否則，你基本上就是在租借現實。 😵♂️
一份實用清單：如何判斷人工智慧在你的領域是否走得太遠🧾🔍
以下是我常用的一個自我檢查清單（是的，它並不完美）：
如果你是個人
-
我能感覺到自己在和人工智慧互動。 （歐盟委員會）
-
這個系統讓我忍不住過度分享。.
-
如果錯誤的原因合情合理，我可以接受。.
-
如果我使用這個平台被騙了，平台會幫助我……或者會聳聳肩表示無動於衷。.
如果您是企業或團隊
-
我們使用人工智慧是因為它很有價值，或者因為它很流行，而管理階層又不安於現狀。.
-
我們知道該系統會接觸哪些數據。.
-
受影響的使用者可以對處理結果提出申訴。 （英國資訊專員辦公室）
-
人類有能力推翻模型。.
-
我們制定了針對人工智慧故障的事件回應計畫。.
-
我們正在監控偏差、誤用和異常極端情況。.
如果你對其中許多問題的回答都是“否”，那並不代表你很壞。這只是說明你處於一種正常的人類狀態－「我們抱著試試看的態度」。但可惜的是，光有希望是不行的。 😅
結語🧠✅
那麼……人工智慧是否發展過頭了？如果人工智慧的部署缺乏問責機制，尤其是在高風險決策、大規模勸說和監控等領域，那麼它就已經發展過頭了。此外，如果人工智慧侵蝕了信任，那也是發展過頭了——因為一旦信任破裂，從社會角度來看，一切都會變得更加昂貴，也更具敵意。 （ NIST AI RMF 1.0 ，歐盟人工智慧法案）
但人工智慧並非天生注定失敗或完美無缺。它是一種強大的倍增器。問題在於，我們建構安全保障措施的力道是否與建構能力的力道一樣大。.
快速回顧：
-
人工智慧作為一種工具是可以的。.
-
作為一個不受問責的權力機構，它是危險的。.
-
如果一個人無法申訴、理解或選擇退出——那就說明「太過分了」。 🚦（GDPR 第 22 條， 英國資訊專員辦公室）
實際案例：在人工智慧決策影響客戶之前對其進行審核
設想
一家小型線上貸款機構希望利用人工智慧將貸款申請分為三類： 批准、 手動審核和 拒絕。
這聽起來似乎很高效，但風險可能會迅速增加。申請被拒者可能會失去獲得緊急資金的途徑，而且如果人工智慧使用低品質資料、過時的假設或郵遞區號、就業空檔期或設備類型等代理訊號，系統可能會在不給出合理解釋的情況下悄悄懲罰申請人。.
因此，團隊決定人工智慧不能做出最終的拒絕決定。它只能標記申請以供審核，並解釋哪些數據點影響了這項建議。.
工作流程需要什麼
在使用助手之前，團隊需要先做好以下準備：
-
貸款政策以清晰易懂的日常語言編寫
-
人工智慧可以使用的數據列表
-
它必須忽略的資料列表，例如受保護的特徵。
-
50 項過往申請，均有已知的人為決策。
-
針對申請被拒絕或申請被延誤的申訴模板
-
一份審計日誌，顯示了人工智慧的建議和人工審核員的決定。
最重要的規則很簡單： 人工智慧不會單獨拒絕任何客戶。
範例說明
您是貸款申請的人工智慧審核助理。.
你的工作是幫助人工審核員識別缺少的資訊、政策不匹配以及需要人工審核的案例。.
您不得做出最終貸款決定。.
對於每個應用程序，返回：
-
建議的下一步操作：批准人工確認、人工審核或請求更多信息
-
推薦的主要原因
-
使用的數據點
-
不應使用的數據點
-
人工審核員應該檢查的問題
-
面向申請人的清晰解釋
如果證據不完整，請明確說明。.
如果案件可能對申請人的經濟狀況產生重大影響，則需提交人工審核。.
如何測試它
團隊會在將助手功能新增至實際應用之前進行測試。.
好的測試案例包括：
-
申請人收入穩定，但信用記錄較少
-
近期地址有變更的申請人
-
申請人的收入資料缺失
-
過去曾被錯誤拒絕的申請人
-
兩名條件相當的申請人，只有一些無關緊要的細節有所不同。
每次測試，審核員都會檢查三件事：
-
助理是否迴避做出最終決定？
-
它給出的理由是一般申請人能夠理解的嗎？
-
它是否優先處理不確定或影響重大的案件，而不是靠猜測？
結果
結果範例： 在一個包含 50 個應用程式的測試集中，假設人工審核通常 每個應用程式需要 12 分鐘，總共大約需要 10 小時。
借助 AI 助理準備摘要、缺失資料檢查和草擬解釋，審核時間縮短至 每個應用 7 分鐘，或 總共約 5 小時 50 分鐘。
據估計， 每處理 50 個申請可節省 4 小時 10 分鐘，同時仍由人負責最終決定。
該團隊還會追蹤品質：
-
人工智慧最終拒絕了所有申請。
-
50/50 的申請已記錄在案以供審核
-
8起申請因證據不足而升級處理。
-
3份解釋草稿因過於含糊而重寫。
這些數據並不能證明該系統是「安全的」。它們只是養成測量習慣的開始。.
可能出現什麼問題
如果團隊將助手的建議視為捷徑而不是審核的提示，那麼助手仍然可能會走得太遠。.
常見錯誤包括：
-
讓審稿者對人工智慧輸出結果蓋章認可
-
隱瞞人工智慧參與評估申請的事實
-
使用諸如“檢測到風險因素”之類的模糊解釋
-
未能檢測郵遞區號、年齡、殘疾或收入模式偏差
-
不保留審計記錄
-
使上訴程序緩慢或令人難堪
最大的警示訊號是，當沒有人能夠解釋為什麼客戶被拒絕、延遲或標記時。.
實用要點
人工智慧在處理高風險決策時，如果能夠減少行政工作、整理證據並發現缺失的訊息，就能發揮最佳作用。但如果它變成一個無形的權威，那就過猶不及了。更穩健的做法並非“讓人工智慧更快地做出決定”，而是 讓人工智慧輔助決策、記錄所有信息，並在結果至關重要時確保人類承擔責任。
常問問題
人工智慧在日常生活中是否走得太遠了？
在許多地方，人工智慧已經走得太遠，因為它開始滲透到決策和互動中，但缺乏明確的界線和問責機制。問題很少出在「人工智慧的存在」；而是人工智慧被悄悄地融入招募、醫療保健、客戶服務和資訊流等領域，而監管卻十分薄弱。當人們無法分辨它是人工智慧，無法質疑結果，也無法選擇退出時，它就不再像是一個工具，而更像一個系統。.
在高風險決策中，「人工智慧過度使用」會是什麼樣子？
人工智慧似乎正被應用於醫療保健、金融、住房、就業、教育、移民或刑事司法等領域，但缺乏強而有力的監管。核心問題不在於模型會犯錯，而是這些錯誤會固化為政策，且難以質疑。 「電腦說不」這種解釋含糊、缺乏有效申訴機制的決定，正是造成危害迅速擴大的根源。.
如何判斷自動化決策是否對我造成影響，以及我該如何因應？
一個常見的跡像是出現無法解釋的突發結果：例如被拒絕、受到限制，或被貼上「風險評分」的標籤，卻沒有任何明確的理由。許多系統應該揭露人工智慧何時發揮了實質作用，並且你應該能夠要求了解決策背後的主要原因以及申訴步驟。在實踐中，你應該要求人工審核，糾正任何錯誤數據，並爭取一個簡單明了的退出途徑。.
人工智慧在隱私、同意和資料使用方面是否走得太遠了？
當用戶同意變成一場尋寶遊戲，資料收集「以防萬一」而不斷擴大時，問題就出現了。文章的核心觀點是，如果隱私和同意被隱藏在設定中或透過模糊的條款強制執行，那麼它們就形同虛設。更健康的做法是數據最小化：少收集、少保存數據，並確保選擇清晰明確，以免用戶日後感到意外。.
深度偽造和人工智慧詐騙如何改變網路上「信任」的意思？
他們透過降低製作逼真假聲音、影片、評論和身分的成本，讓真相顯得可有可無。問題在於這種不對稱性：製造謊言成本低廉，而驗證真相卻緩慢而費力。實際可行的防禦措施包括：為媒體添加來源標識、減緩病毒式傳播速度、在關鍵環節加強身份驗證，以及養成「帶外驗證」的習慣，例如回撥電話或使用共享暗語。.
防止人工智慧過度發展的最實用保障措施是什麼？
能夠改變結果的保障措施包括：對高風險通話進行真正的人工審核、清晰的申訴流程以及能夠在故障發生後解答「發生了什麼？」的審計日誌。模型評估和偏差測試可以更早發現可預見的危害，而紅隊測試則可以在攻擊者實施之前模擬濫用。速率限制和存取控制有助於防止濫用行為迅速擴大規模，而資料最小化則可以全面降低風險。.
人工智慧驅動的監控何時會越界？
當一切默認都變成感測器時，問題就越界了：例如人群中的人臉識別、運動模式追踪，或用於懲罰或把關的自信滿滿的「情緒檢測」。即使是不準確的系統，如果被用來作為介入或拒絕服務的正當理由，也會造成嚴重傷害。良好的實踐包括：限定應用情境、嚴格的資料保留期限、有效的退出機制、獨立的監督，以及堅決反對任何基於情緒的、不可靠的判斷。.
人工智慧是在提高人們的生產力，還是在悄悄地降低工作技能要求？
這兩種情況可以同時成立，而這種矛盾正是問題的關鍵。人工智慧可以幫助處理日常的文書工作、重複性的程式碼編寫以及提升可訪問性，使人類能夠專注於更高層次的思考。但如果人工智慧在沒有過渡計畫的情況下取代現有崗位、壓低工資、將創意工作視為免費的訓練數據，或者取消那些能夠培養未來專業技能的初級崗位，那就過猶不及了。技能貶值往往不易察覺，直到團隊離不開人工智慧助理為止。.
參考
-
美國國家標準與技術研究院 (NIST) - 人工智慧風險管理框架 (AI RMF 1.0) - nist.gov
-
歐盟 - 歐盟人工智慧法（(EU) 2024/1689 號條例） - 官方公報（英文） - europa.eu
-
歐盟委員會 - 人工智慧監管框架（歐盟人工智慧法案政策頁面） - europa.eu
-
歐盟人工智慧法案服務台 - 附件三（高風險人工智慧系統） - europa.eu
-
歐盟 － 歐盟可信賴人工智慧規則（歐盟人工智慧法案摘要） —— europa.eu
-
英國資訊專員辦公室 (ICO) - 什麼是自動化個人決策和使用者畫像？ - ico.org.uk
-
英國資訊專員辦公室 (ICO) - 英國《一般資料保護規範》(GDPR) 對自動化決策和使用者畫像有何規定？ - ico.org.uk
-
英國資訊專員辦公室 (ICO) - 自動化決策與使用者畫像（指導中心） - ico.org.uk
-
英國資訊專員辦公室 (ICO) - 資料最小化（英國 GDPR 原則指南） - ico.org.uk
-
GDPR-info.eu - GDPR 第 22 條 - gdpr-info.eu
-
GDPR-info.eu - GDPR 第 5 條 - gdpr-info.eu
-
美國聯邦貿易委員會 (FTC) - 詐騙分子利用人工智慧技術強化其家庭緊急騙局 - ftc.gov
-
美國聯邦貿易委員會 (FTC) - 詐騙分子利用虛假緊急情況竊取您的錢財 - ftc.gov
-
美國聯邦貿易委員會 (FTC) - 禁止虛假評論和證詞的最終規則（新聞稿） - ftc.gov
-
美國聯邦調查局（FBI） —— FBI警告稱，利用人工智慧的網路犯罪分子構成的威脅日益增加——fbi.gov
-
經濟合作暨發展組織（OECD） —— OECD人工智慧原則——oecd.ai
-
經合組織 － 人工智慧理事會建議（OECD/LEGAL/0449） —— oecd.org
-
歐盟委員會 - 透明人工智慧系統指南和行為準則（常見問題） - europa.eu
-
內容追溯與真實性聯盟 (C2PA) - 規範 v2.3 - c2pa.org
-
英國競爭與市場管理局 (CMA) - 人工智慧基礎模型：初步報告 - gov.uk
-
美國食品藥物管理局 (FDA) - 人工智慧醫療器材 - fda.gov
-
技術研究院 (NIST) - 資訊系統與組織的安全與隱私控制 (SP 800-53 Rev. 5) - nist.gov
-
研究院 (NIST) - 生成式人工智慧規格 (NIST.AI.600-1, ipd) - nist.gov
-
全球開放式應用安全專案 (OWASP) - 無限資源消耗（API 安全十大風險，2023） - owasp.org
-
研究院 (NIST) - 人臉辨識供應商測試 (FRVT) 人口統計 - nist.gov
-
Barrett 等人 (2019) - 文章 (PMC) - nih.gov
-
經合組織 - 在工作場所使用人工智慧（PDF） - oecd.org
-
世界經濟論壇（WEF） —— 《2025年未來就業報告》——摘要——weforum.org
-
美國版權局 - 版權與人工智慧，第三部分：生成式人工智慧訓練報告（預發布版）（PDF） - copyright.gov
-
英國政府（GOV.UK） - 版權和人工智慧（諮詢） - gov.uk