生成式人工智慧(Generative AI)的崛起，使人工智慧不再只是輔助運算的工具，而成為能與人自然互動、甚至共同創作的夥伴。大語言模型(Large Language Model, LLM)是這場革命的核心技術，從ChatGPT、Gemini到Claude，這些模型能理解人類語言、生成文本、撰寫程式、翻譯文件，甚至進行邏輯推理。然而，當這些強大的系統輸出錯誤資訊、再現偏見、或被不當使用時，社會必須問一個根本的問題：AI出錯時，誰要負責？這正是所謂的當責性(Accountability)問題。
所謂「大語言模型的當責性」，指的是能夠清楚追蹤、解釋與歸屬模型行為責任的能力。簡單來說，就是讓AI的決策過程能被看見、被理解、被追責。AI的強大來自大量資料與複雜的神經網路運算，但這也讓它變得像黑箱；我們很難知道它為何做出某個回答或建議。當責性正是為了打開這個黑箱，確保AI的行為不至於失控。
當責性包含兩個核心原則：
- 可追溯性(Traceability)
就像食品需要產地標示，AI也需要來源標籤。一個有當責性的模型應記錄其訓練資料來源、開發者與修改紀錄。若模型生成錯誤資訊或侵犯他人權益，就能追查責任鏈，釐清是資料問題、設計缺陷，或使用不當所致。
- 可稽核性(Auditability)
除了自我揭露，AI也需接受第三方檢驗。可稽核性意謂著模型能被獨立機構測試與評估，例如針對安全性、公平性、隱私保護與穩定性等面向進行審查。AI產品與系統評測中心正致力於建立標準化測試流程與客觀評估指標，使AI產品在上線前能通過安全檢驗。
隨著AI越來越融入日常生活；客服系統、醫療輔助診斷、金融決策建議、甚至教育評量，如果模型出錯，影響的不只是單一用戶，而可能是社會信任與制度運作。例如：若醫療AI誤判疾病，誰要為錯誤診斷負責？若聊天機器人散播假訊息，是平台、開發者還是使用者的錯？若AI在招聘或貸款評分中出現性別或族群偏見，如何矯正？這些問題都回到當責性的核心：AI不是免責體，而是一個需要人類負責任管理的系統。
要讓大語言模型具備當責性，可從技術、制度與文化三方面著手。技術層面來說，開發者可導入可解釋AI(Explainable AI)與行為追蹤機制(Logging Mechanism)，讓模型的輸出可被重現與分析；同時應防止資料來源侵犯隱私或含有偏見。
此外，可使用安全微調(Safety Fine-tuning)與紅隊測試(Red Teaming)來檢測模型在極端情境下的反應，以降低濫用風險。制度層面來說，政府與公部門應建立AI審查與責任歸屬框架。例如歐盟的《AI法案》明確規範高風險AI的審查義務；台灣也正在推動AI評測與倫理指引，確保國內AI產品具備可驗證的品質與責任機制。文化層面來說，使用者也應培養AI識讀力(AI Literacy)。理解AI有侷限、有偏誤，不盲信、不濫用。當責不僅是開發者的責任，也是整個社會共同維護科技信任的過程。
當責性是AI可持續發展的關鍵。唯有當每一個模型的決策可被追蹤、行為可被解釋、錯誤可被糾正，人工智慧才能被社會信任並長久使用。正如同汽車需要駕照與安全檢測，AI也需要規範與責任機制。透過建立可稽核、可追溯的制度，我們能確保大語言模型不只是聰明，更是可靠與有倫理的科技。人工智慧的未來，取決於我們如何讓它負起責任。只有當AI能被問責，它才真正值得被信任。