AI 專家警告：缺乏高品質資料將導致 60% 專案失敗，強調人類智慧不可或缺

儘管人工智慧（AI）技術持續快速進步，仍有專家強調，在「可信度」與「準確性」這兩大核心領域，仍需仰賴人類的知識與經驗。根據《The Korea Economic Daily》於 24 日的報導，AI 專案 Sapien 執行長羅文·斯通（Rowan Stone）表示，若要發揮 AI 的真正潛力，必須強化「資料品質」，並結合人類的情境判斷來進行訓練。

羅文·斯通指出，與其關注模型的技術性複雜程度或訓練資料的數量，不如將焦點放在 AI 是否建立在「值得信賴的高品質資料」之上。因為正如他所說的「沒有好的輸入，就沒有好的輸出」，為人熟知的 GIGO（Garbage In, Garbage Out）即揭示了這一現象。目前有研究發現，大型語言模型 GPT-3.5 的「AI 幻覺（hallucination）」比例高達 39.6%，這正是受限於低品質或偏頗資料導致的結果錯誤與事實失真。

這類問題不僅是技術性錯誤，更可能產生實質損失。斯通提到，因錯誤資料所導致的決策失誤與專案失敗，平均每年可能造成約 6% 的營收損失。此外，美國有 20% 的資訊長（CIO）表示，因擔憂 AI 準確性不足，仍不願導入相關解決方案。曾有數據顯示，底特律警方在使用 AI 臉部辨識時，其錯誤辨識率竟高達 96%。而哈佛醫學院也揭露，部分 AI 系統在處理醫療資源時，會系統性地優先處理白人病患，反映出訓練資料中的「結構性偏見」問題。評論：這類結構性偏誤，特別在公衛、司法等高風險場域，將可能造成難以估量的社會成本。

斯通反駁伊隆·馬斯克（Elon Musk）「AI 已經涵蓋人類全部知識」的說法，強調 AI 的核心仍需回歸「人類智慧」。他指出，人類能透過經驗作出邏輯判斷並結合倫理價值觀，但若 AI 僅依靠「人造合成資料」訓練，往往會喪失對現實脈絡的理解能力，提升風險與誤判的機率。

他也批評目前多數系統高度「集中式」的數據管理方式限制重重，並主張應設計「人類參與式（human-in-the-loop）」的去中心化訓練機制。據統計，近 67% 的資料科學家花費大量時間清洗與標記訓練資料，不只延後產品開發，還間接推高營運成本。但透過區塊鏈獎勵機制，可以讓來自全球各地、具有不同背景與經驗的使用者，共同參與標籤與分類等任務，藉此建立「分散式強化學習（RLHF）」模型，進一步消除資料偏誤並提升協作效能。評論：這也點出生成式 AI 的潛力與限制並存，唯有多元參與才能避免技術壟斷與資料同質化。

另一份由研調機構 Gartner 預測的報告指出，至 2026 年，60% 以上的 AI 專案將因「缺乏適用資料」而被迫終止，進一步證明沒有高品質、人類專業支撐的資料環境，AI 將無法實現其超過 2 兆美元的預期經濟效益。

斯通最後總結，AI 的未來不在於取代人類，而是搭建「人與機器共存協作模式」。他認為，只有由人類主導的資料治理與即時監控，才能為 AI 建構長期可持續發展的基礎。否則，脫離人類專業知識與價值框架的 AI，就如失控的巨獸，最終只能成為科技的累贅。真正具備「商業可行性」的 AI 應從「以人為本」的設計理念出發，構築一個可驗證、可信賴的智能系統。