本系列文章已全部轉移到： Build on Google AI 主題，請大家去這個主題追連載！感謝！
https://ithelp.ithome.com.tw/users/20120287/ironman/9079

AI for Social Good 指的是：利用人工智慧解決具有公共利益（social good）的問題，提升個人、社會或環境福祉，而非主要追求商業利益。

當大家談論 AI for Social Good 時，討論通常圍繞在「AI 可以做什麼」。AI 可以辨識病灶、預測災害、分析運動表現、協助行政作業……

剛開始應用 AI 自動化一些繁瑣的任務時，我也像是已知用火的智人般興奮，好多原先要花費很久時間的任務，有了 AI 的幫忙，一分鐘內就能完成。

然而，在參與運動科學、醫療照護與災害應變等產品後，我發現在高風險領域的 AI 與人的協作不是這樣運作的。在醫療、金融、自駕車等高風險領域，真正昂貴的並不是 「花了一分鐘」，而是 「做錯了一次決定」。

想像一位護理師準備替病人發藥的場景。病人的處方幾分鐘前才剛被醫師修改，因為今天的檢驗數值與昨天不同，需要調整劑量。護理師眼前有好幾位病人等著照護，也有一長串待完成的工作。這時，他真正需要的，不是一個能把掃描條碼速度提升 20% 的 AI，而是一個能提醒他：「這張處方剛更新，請再次確認劑量。」的系統。
這個提醒，也許只花了幾秒鐘，卻可能避免一次給藥錯誤。

在高風險領域，人們並不全然的信任 AI，因為當人命關天時， AI 並不能代替人去負責。在高風險領域，人們更在乎的是「能不能準確無誤的完成任務」。

AI 在高風險領域真正的價值應該是：AI 能不能幫助人更快、更有信心地做出正確決策？

而從近年的 CHI 研究可以看到，Human-AI Interaction 的焦點正逐漸從自動化（Automation）轉向決策支持（Decision Support）。當 AI 開始參與醫療、公共服務等重要決策時，我們真正需要設計的，不只是模型本身，而是人與 AI 如何共同思考、共同判斷。

高風險系統真正的成本，叫做決策延遲 (Decision Latency)

過去幾年，我參與了三類看似毫不相關的產品。
第一類，是運動科學。每天都有新的訓練數據、恢復指標、生理資訊持續產生。資料已經收集的很齊全，然而困難的是，教練如何在有限時間內判斷今天的訓練策略。
第二類，是醫療照護。醫護人員每天都需要在高度忙碌的環境中完成大量工作。資訊來自不同系統、不同流程，而任何一個判斷失誤，都可能帶來連鎖影響。
第三類，是災害應變。災情回報、志工需求、物資分配、現場資訊同時湧入，每一分鐘都有新的狀況發生。最大的挑戰是資訊更新速度已經遠超過人能吸收的速度了。
這三個場域的共同瓶頸，是 Decision Latency（決策延遲）：從資訊出現，到人做出正確決策之間所花費的時間。

很多產品團隊習慣只追蹤系統回應時間、API 延遲、模型推論速度。

但在高風險場域，其實還有另一個更重要的指標：人多久才能理解資訊，並採取正確行動？
例如：

• 選手的疲勞數據已經出現異常，但教練隔天才發現。
• 系統已經記錄了重要資訊，但醫護人員需要切換多個畫面才能找到。
• 災情已經發生，但不同單位看到的是不同版本的資訊，因此無法立即協調資源。

技術沒有慢，慢的是：決策形成的速度。
而這個時間，往往決定了一套系統真正能創造多少價值。

從縮短 Decision Latency，到設計 Human-AI Decision Making
當我開始把不同領域的經驗放在一起觀察時，我慢慢發現，Decision Latency 並不是一個單純的資訊處理問題，而是一個決策設計（decision design）的問題。
如果資訊已經存在，模型推論也足夠快速，為什麼人仍然需要花這麼長時間才能做出決策？
原因往往不在於「沒有答案」，而在於人需要理解資訊、判斷可信度、整合不同來源的證據，最後才能對自己的決策負責。
這也是近年 Human-Computer Interaction（HCI）研究逐漸關注的方向。相較於早期著重於提升模型準確率或自動化程度，近年的研究開始把焦點放在人與 AI 如何共同完成決策（Human-AI Decision Making）。
研究者開始問的問題，不再只是「AI 能不能做出正確預測？」，而是：
人是否理解 AI 的建議？
人知道 AI 為什麼提出這個判斷嗎？
AI 應該在什麼時候介入？

如何設計互動，才能讓人適當信任 AI，而不是盲目依賴或完全忽略？
這樣的轉變，也反映出 Human-AI Interaction 的角色正在改變。AI 不再只是提供一個答案，而是協助人更快形成判斷、更有信心做出決策。
也就是說，縮短 Decision Latency 的方式，不只是讓 AI 算得更快，而是讓人思考得更有效率。
近幾年的人機研究也呈現出相同的趨勢。從 CHI 2023 探討人如何適當依賴 AI，到 CHI 2024 研究不同不確定情境下的人機信任，再到 CHI 2025 提出的 Human-AI Deliberation，以及利用大型語言模型協助使用者理解 AI 建議，都指出一件事：AI 的價值，不只是提高自動化程度 (Automation)，而是提升決策品質 (Decision Quality)。

也正因如此，在高風險領域，我越來越傾向把 AI 視為一個決策夥伴，而不是一個自動化工具。

AI for Social Good，不只是 Automation，而是 Decision Augmentation
如果 Decision Latency 的本質，是讓人更快完成正確決策，那麼下一個問題就是：AI 應該如何參與這個決策過程？
近年的 Human-AI Interaction 研究給出的答案，並不是持續提高自動化程度，而是設計能夠支持人類判斷的 Human-AI Decision Making。研究焦點逐漸從「AI 能不能取代人」，轉向「AI 如何與人共同完成決策」。
這也是我為什麼越來越少用「效率工具」來看待 AI。
我更喜歡把 AI 視為一個 Decision Augmentation System（決策增強系統）。
它的工作不是取代專業，而是降低專業工作的認知成本。
不是告訴人答案，而是：
幫助整理大量資訊。
提醒可能被忽略的風險。
建立不同資訊之間的關聯。
提供可解釋的決策依據。

如果 AI 能做到這些，它提升的就不只是工作效率，而是整個團隊的決策品質。
而決策品質，才是真正影響社會系統韌性的關鍵。

這也是我想寫這個系列的原因
接下來的 30 天，我不會只分享 AI 工具怎麼用，也不會只是介紹做過哪些專案。
我更想討論的是：如何設計一套真正能協助人做決策的 AI 系統。
從運動科學、醫療照護到災害應變，這些看似不同的領域，都讓我相信一件事：

AI 最重要的價值，不是替人工作。而是讓人在面對複雜世界時，能做出更好的決策。

下一篇，我會開始分享高風險產品的共同挑戰：
資訊過載、時間壓力，以及認知負荷如何影響人的決策品質。