我喜歡法庭片。吸引我的未必是最後一刻誰站起來說出真相，而是同一件事在不同證據與提問下，如何逐漸露出更複雜的輪廓。一個看似肯定的證人，可能只看見了事件的一部分；一段影像能證明某個動作發生，卻未必能證明動機。這種對「我們究竟知道什麼」的追問，和我做 AI 治理時的習慣很接近。
我們先定義問題。證據鏈不是把很多資料堆在一起，而是讓人能沿著來源、處理方法與推論步驟，檢查一個結論如何成立。法庭片常把這個過程拍得戲劇化；現實中的模型評估則往往安靜得多，藏在表格、版本紀錄和會議裡。但兩者面對的核心問題相似：誰說了什麼，依據是什麼，哪一步仍可能錯？
答案太快出現，反而值得停一下
好的敘事會讓觀眾暫時相信一個說法，接著用新證據改變理解。這提醒我，流暢的解釋不等於完整的事實。當 AI 在幾秒內給出一個條理分明的答案，讀者很容易省略中間的查證：資料從何而來？哪些部分是觀察，哪些是推測？若問題本身沒有足夠資訊，答案憑什麼這麼確定？
我並不是說每一次用 AI 查資料都要像開庭。生活中有許多低風險問題，快速取得方向就夠了。但一旦答案會影響他人的機會、名譽或權利，查證標準就必須提高。模型看起來自信，不能成為決策者降低責任的理由。
證物也有脈絡
一張截圖、一段錄音、一份摘要，都可能是真實資料，卻仍需要知道它如何取得、是否完整、何時產生、是否經過處理。法庭片裡，人物可能抓住一個細節推翻原本的故事；現實中，細節有時只是剪輯、格式轉換或資料缺漏的結果。不能因為某個片段很有戲劇性，就讓它承擔超出自身能力的證明工作。
AI 系統也會面對類似風險。把歷史資料送進模型前，可能經過篩選、標記與清理；每一步都改變了模型能看到什麼。若一份評估只呈現最後分數，不記錄資料如何形成、哪些群體較少被涵蓋，我們就很難判斷「表現良好」的適用範圍。來源不清的漂亮數字，與來源不清的戲劇性證物一樣，需要追問。
反對意見不是劇情障礙
法庭片的對質令人緊張，因為一個說法要接受另一方檢查。在工作裡，指出模型的弱點有時會被看成拖慢進度；尤其商業時程很緊時，提出「這項測試還不夠」的人容易顯得不合群。我對這種情況特別敏感。風險被提出，不表示團隊失敗；若它被含糊帶過，才可能讓日後受影響的人替我們承擔。
這裡是一個假設情境，不是我的任職單位事件：團隊準備使用模型排序申請資料，一份報告顯示整體指標達標，另一位成員指出少數使用情境的錯誤仍未查明。如果會議把他的話記成「仍有小幅優化空間」，就把尚未確認的風險變成了美化報告的註腳。反對意見應被寫成可檢驗的問題：缺哪組資料、可能影響誰、何時重新評估。
法庭需要程序，系統也需要
我喜歡法庭片中的程序感，不是因為程序總能產生完美答案，而是它承認人會犯錯，所以需要讓說法被挑戰。對 AI 系統而言，對應的不是把產品變成法庭，而是設計清楚的申訴、更正與人工複核途徑。當一個人受到自動化結果影響，他不該只看到一個無法追問的分數。
透明也不只是公開模型名稱或一段抽象原理。更具體的問題是：系統用了哪些與此決定有關的資料？資料錯誤能否更正？誰能解釋結果？如果機器和人的判斷衝突，誰負最後責任？我一向認為，知道風險後仍做決策的人，應向受影響者說明並承擔。把「AI 建議」寫進紀錄，不能讓這份責任消失。
最重要的台詞，可能是「尚未證明」
電影需要結局，真實世界不一定。某些問題能得到充分支持的結論，某些只能得到暫時判斷；還有一些，現有證據根本不足以決定。我希望團隊有能力說出這三種情況的差別，而不是為了交付一份完整文件，把未知寫成已知。
這也是我看法庭片時最有共鳴的地方：一個人越相信自己站在正確的一邊，越需要願意檢查反證。做 AI 治理的人不能只測試模型在哪些條件下成功，也要找出它可能傷害誰、在哪裡失效、能否停下來。問題定義、證據、推論、風險，再到結論，少一步都會讓故事變得太方便。
我享受電影裡漂亮的收束，也知道現實中的決策不會每次都有一段令人滿意的結案陳詞。能做的，是把證據鏈留給下一個需要檢查的人，把異議留下，把更正的門留著。當答案真的站得住腳，它應能接受追問；如果還站不住，就不要讓流暢的敘事替它上台。