這系列文章的起點，是一場救災工作坊。

那天邀請了幾位曾經歷風災的居民來分享，其中一位來自尼伯特颱風重創的東部社區。他描述的重點，是災後那幾天的混亂：物資一波一波湧進來，志工一團一團出現，有些巷子被重複發放了三次泡麵，有些角落卻始終沒人踏進去過。他說了一句話，我到現在都還記得：「我們根本不知道誰已經來過，誰還沒來過。」

那句話講的重點，是資訊不透明、協作沒有結構。這正是我後來一路帶著走的問題意識：高風險場域最致命的瓶頸，往往是決策品質的缺口——沒有人知道現在的全貌，沒有人知道下一步該優先做什麼，也沒有人知道自己的判斷，會不會跟隔壁的人重複或矛盾。

但那場工作坊教會我的，除了這個問題意識，更留下一種做事的方法。我沒有辦法坐在辦公室裡，靠著讀論文和看報表，猜出那句話背後真正的重量。我得先到現場，聽他講完整段經歷，看見那種混亂具體長什麼樣子，同理他在那幾天裡的無助與疲憊，才有可能開始想，一個系統該怎麼被設計，才能真正解決這個問題。

這四個動作——到現場、看見問題、同理他人、解決問題——後來變成我走過運動科學、醫療照護、救災協作這一路上，唯一沒有變過的方法。三十天下來，這句話越來越清晰：**AI for Social Good，說到底，就是從真實世界打造下一代 AI 系統。**方法的順序，是先蹲進真實世界，看見活生生的人卡在哪裡，帶著同理心把問題定義清楚，最後才輪到技術上場，去解決那個真正存在的問題；那個先有一個聰明的模型、再回頭找問題套用的做法，順序整個顛倒了。

這四個動作後來也變成貫穿整個第六章、乃至於整個系列的骨架。

三個場域，同一種結構性壓力

前面二十二天，把 AI 放進了三個看起來毫無關聯的場域。

運動科學裡，教練真正面對的問題，是資料太多、太雜，卻沒有人幫忙把數字轉成訓練決策；資料量本身從來不是缺口。選手表現下滑，可能是體能問題、心理狀態、還是教練沒察覺到的隱性訊號，Dashboard 只會呈現數字，不會告訴你該怎麼判斷。

醫療照護裡，藥品管理與臨床決策的錯誤成本極高，讓「可信任」比「聰明」更重要。我在現場就遇過一次配藥，醫生開的處方簽前後改了三次，現場交班紀錄卻不完全，資料缺漏的背後，是前線護理師人力不足，根本沒有餘裕把每一次異動都完整記下來。真正該被設計的重點，是責任歸屬，模型準確率只是其中一小塊——出錯的時候，誰該被通知、誰能介入、誰對結果負責。

災害應變裡，資訊協作是真正的瓶頸。物資與人力到齊之後，真正卡住行動的，是沒有人整合現場的全貌。這一點在 2025 年 9 月花蓮光復的堰塞湖溢流事件裡，被放大到極端——馬太鞍溪上游堰塞湖潰決，洪水灌入光復市區，短短時間內奪走十餘條人命，數百戶民宅遭泥流掩埋。災後，大批被稱為「鏟子超人」的志工透過社群號召，自發搭火車前往當地協助清淤。這個現象一方面展現了台灣社會驚人的動員能量，另一方面也再次印證了那位尼伯特風災居民說過的話——當大量善意同時湧入，卻缺乏一套讓資訊透明流動的協作結構，重複與空白就會同時發生。

三個場域，使用情境天差地遠，但拆到底層，共享同一個結構性壓力：決策者必須在資訊不完整、時間有限、後果難以逆轉的情境下，做出判斷。 這也是第六章想收斂處理的命題。

AI 能力與限制的兩難

在走進第六章之前，第五章處理了一個更根本的問題：AI 能做的事情，正在快速擴張，這件事本身，除了帶來機會，也帶來一種新的兩難。

當 Agentic AI 開始自己執行任務，風險就不再只是「模型會不會答錯」，而是「AI 自己採取的行動，後果由誰承擔」。當 AI 讓「做出來」的成本快速下降，Product Team 真正需要練習的技能，反而變成了「判斷什麼時候不該做」——不是每一個能被自動化的環節，都應該被自動化；不是每一次 AI 給出的建議，都該被直接採納。

這個兩難，貫穿了整個第六章的討論。原則彼此會打架——讓人看得懂、保留人類介入權、確認責任歸屬，每一項都需要時間，但高風險現場往往給不出這些時間。時間尺度需要被拆開——事前準備規則，當下只做最小動作，事後才做完整的理解與究責，責任也要跟著這三段時間，分配給對的角色。而在追求效率、信任、責任的路上，三者甚至無法同時被拉到最高，系統設計者真正的工作，是誠實判斷此刻該優先保護哪一個。

兩個場域之外的驗證：911 與太空

為了確認這些原則不是自己一廂情願的推論，第六章刻意找了兩個系列前段沒有觸及的場域，回頭做交叉驗證。

美國 911 急救通報現場的研究顯示，來電者最深的焦慮，往往來自「不知道接下來會發生什麼」的空白期，比危機本身更折磨人——這正好呼應了災害應變裡的資訊透明問題。研究裡的 AI 應用，例如即時翻譯、來電分流，全部都被設計成「事前校準規則、當下只給一個能被立刻理解的訊號、事後才做完整覆核」的三段式結構，AI 不需要在秒級決策裡同時做到完整解釋、完整介入、完整究責。

長期太空任務的團隊同步研究，則從另一個角度戳破了一個常見假設：團隊或人機協作對齊得越好，不代表決策品質越高。在需要批判性判斷的環節，過高的同步反而會壓抑質疑的聲音，讓團隊更容易錯過真正該被抓出來的問題。這個發現直接回應了效率、信任、責任這三者的拉扯——同步性能帶來效率與信任，卻可能悄悄侵蝕掉責任機制賴以運作的批判性空間。

一個是地球上最貼近日常生活的高風險場域，一個是人類目前所能觸及最極端的高風險場域。兩者交叉驗證下來，原則依然成立，這讓我更有信心，這套方法論是高風險決策系統設計裡相對通用的一條路，運動科學、醫療、救災這三個場域的呼應，並非單純巧合。

我的 AI for Social Good 方法論：到現場、看見問題、同理他人、解決問題

三十天走下來，如果要把整個過程收斂成一套可以帶著走的方法論，答案其實一直沒有離開開場那場工作坊教會我的四個動作。差別只在於，這四個動作，在高風險場域裡，各自該長什麼樣子。

到現場。 運動科學裡，這代表站到場邊，看教練怎麼喊暫停、怎麼在賽前臨時調整戰術，比坐在辦公室看訓練報表更能抓住真相；醫療照護裡，這代表跟著藥師看一次四重篩選，看藥師與護理師怎麼取藥、怎麼在流程裡互相確認，感受資訊在人與人之間傳遞時，哪裡會漏、哪裡會塞車；救災現場裡，這代表訪談實際有分配災區經驗的一線人員，聽他們描述資源怎麼分配、決策怎麼下，遠比翻看新聞畫面上的空拍圖來得真實。到現場的目的，是讓自己沒辦法再用抽象的方式想像問題，比起蒐集一份需求清單，這件事重要得多。

看見問題。 到了現場之後，真正該做的，是分辨哪些是表象、哪些是結構性的卡點。教練抱怨的「數據太多看不完」，底層其實是決策支援的缺口；醫護人員抱怨的「系統太多要切換」，底層其實是責任歸屬不清楚，沒有人敢把資訊留在單一入口；居民說的「不知道誰已經來過」，底層其實是協作沒有共同的資訊基礎。看見問題，考驗的是有沒有能力把現場的抱怨，翻譯成系統設計該回答的問題。

同理他人。 這是四個動作裡最容易被跳過、卻最決定設計品質的一步。真正的同理，是理解他們在做決定的那一刻，承受著什麼樣的壓力、恐懼與不確定，這比理解使用者「想要什麼功能」要深得多。理解教練不敢完全相信一個數字，是因為他要為選手的職業生涯負責；理解醫護人員寧可多做一次確認，是因為錯誤的代價他們比誰都清楚；理解那位居民說出那句話時的無力感，是因為他曾經眼睜睜看著資源在錯的地方被重複，也曾經在對的地方等不到任何人。同理心，讓後面的系統設計真正貼著人的處境，這件事，比技術正確更為根本。

解決問題。 最後一步，才輪到技術與方法論登場——把原則落地成事前、當下、事後三段時間的系統設計，把效率、信任、責任的取捨想清楚，找一個看似無關的場域回頭驗證原則是否通用。這一步之所以能走得穩，是因為前面三步已經把問題定義對了。技術從來不是 AI for Social Good 最難的部分，難的是願不願意先把自己放進真實世界，慢下來看見、慢下來同理，再動手解決。

收尾：回到那句「我們根本不知道誰已經來過」

三十天前，我帶著那位居民的話，開始問一個問題：高風險場域裡，AI 到底該扮演什麼角色？三十天後，答案沒有變得更簡單，但變得更清楚——AI 該扮演的角色，是幫人類在資訊不完整、時間有限的情境下，依然能做出可信判斷的協作夥伴，替人類做決定，從來就不是它的位置。

花蓮光復的洪水退去之後，那些自發搭火車北上南下的「鏟子超人」，證明了台灣社會從來不缺善意與行動力。真正稀缺的，是一套能讓善意被看見、被協調、被記錄的系統——讓下一次有人問出「我們根本不知道誰已經來過」的時候，答案已經準備好了。

這就是我理解的 AI for Social Good：到真實世界的現場，看見具體的問題，帶著同理心理解身處其中的人，最後才用技術把問題解決掉。順序不能顛倒，也沒有捷徑可抄。

從真實世界打造下一代 AI 系統，本身就是答案。