觀點投書：破解 AI 時代最好與最壞的焦慮─台灣如何以制度創新掌握下一波經濟長波

「這是最好的時代，也是最壞的時代；是智慧的時代，也是愚蠢的時代。」一百六十多年前，狄更斯用這句話描寫革命年代的矛盾與撕裂。如今，站在生成式 AI 快速擴散的歷史轉折點上，人類再次面對進步與失序並存的集體焦慮。

2026 年 7 月 13 日，包括十六位諾貝爾獎得主在內，超過兩百名經濟學者與 AI研究者共同發表聲明，呼籲各國及早為 AI 可能帶來的經濟轉型建立政策與制度準備。聲明警告，AI 可能在比工業革命短得多的時間內，帶來規模更大的經濟轉型。共同發起人、維吉尼亞大學教授 Anton Korinek 進一步提醒，過去的重大技術革命往往留給社會數十年調整時間，AI 留下的時間卻可能只有幾年；若等待所有影響明朗後才採取行動，制度調整恐將為時已晚。

為何這些身處理論與技術前沿的專家，會發出如此急迫的呼籲？面對一個能在部分知識工作中，大幅壓縮搜尋、分析與內容生成時間的力量，人們往往盲目樂觀地擁抱「最好的時代」，或者陷入「最壞時代」的取代焦慮。

然而，停留在好與壞的二元對立，容易讓人迷失在技術的洪流中。重新從現象、條件、生態與制度四個層次理解這場變革，我們將發現，AI 除了是一場技術革命，更可能成為下一波經濟長波的重要驅動力。真正的全球賽局，正從算力與模型的競爭，進一步延伸到治理與制度能力的競爭。

在最直觀的現象層，我們看到的是極端的對立與衝擊。從設計、程式開發到顧客服務，許多需要高度訓練的任務正被重新拆解、加速，甚至部分自動化。工作未必立即消失，但職務邊界、技能價值與組織分工已經開始改變。

面對未知技術，人們往往沿用過去的經驗理解未來，進而把 AI 簡化成「取代人」或「拯救人」的二元選擇。許多企業仍延續第五波資通訊革命形成的管理慣性，主要以降本增效、流程自動化與人力替代衡量技術價值。

若繼續用追求流程效率的單一邏輯來對待新一代技術，我們便容易困在患得患失的取代焦慮中，也可能進一步擴大掌握算力、資料與平台者，與其他群體之間的所得及機會差距。

專家們更深層的擔憂，在於科技治理中的科林格里奇困境（Collingridge dilemma）：AI 尚未全面普及時，政府難以掌握其完整影響；等到失業、權力集中或責任爭議清楚浮現，技術與商業模式可能早已深度嵌入社會，改革成本也將急遽升高。技術的社會後果往往由資料來源、商業誘因、部署方式、組織能力與公共制度共同塑造，並非由模型單獨決定。AI 最終造成什麼影響，不只取決於模型能做什麼，也取決於企業、政府與社會選擇以什麼方式部署它。 （相關報導： 北市 AI 數位創新工作坊免費報名，聚焦 3 大產業專班 ｜ 更多文章 ）

如今模型能力持續加速，制度調整卻需要立法、協商與社會信任，兩者的時間差正形成新的治理風險。這項呼籲提醒我們，除了模型本身的風險，更棘手的是制度準備跟不上技術擴散。當責任、權利與分配機制停留在舊時代，AI 的效益難以普及，其衝擊卻可能先由勞工、消費者與弱勢群體承擔。

若仍以既有的勞動、醫療與金融規範承接 AI 帶來的新型態問題，一方面可能使有價值的應用難以規模化，另一方面也容易放大責任不清、風險外部化與利益分配不均等爭議。

借用康德拉季耶夫經濟長波（Kondratiev wave）觀察，第五波資通訊革命主要推動資訊連結與流程效率；我們可能正進入由 AI、生物科技、能源轉型與智慧系統共同推動的新一波技術與制度變遷。下一波競爭將更進一步，考驗社會能否把 AI、生技與綠能整合成可持續運作的制度與生態系。

當 AI 逐步承擔部分計算、分析與生成任務，我們可以將其能力導向那些過去因資料分散、協作困難或成本過高而難以處理的複雜問題，形成可持續且可治理的系統性解方。例如，在醫療領域整合基因與生活型態數據，以償還「健康債」；在環境領域優化高度複雜的綠能電網，以償還「環境債」。透過建構跨領域的「超生態系（Super Ecosystem）」，AI 所創造的將不只是人力替代與流程效率，更包括新的服務模式、協作關係與經濟價值。

看見問題之後，下一步是把判斷轉化為制度能力。對台灣而言，真正的挑戰在於能否把生產 AI 硬體的技術優勢，轉化為責任清楚、利益共享且可以規模化的制度安排。

台灣擁有全球領先的半導體製造、伺服器供應鏈與工程能力，卻仍須回答另一組問題：AI 輔助診斷發生錯誤時，模型開發者、醫療機構與臨床人員應如何分擔責任？企業使用員工資料、工作紀錄或專業成果訓練模型時，告知、授權、補償與退出權應如何界定？中小企業無力建立完整治理團隊時，政府能否提供共用的測試、驗證與風險管理基礎設施？

這些問題決定了台灣能否從 AI 硬體供應國，進一步成為 AI 制度與應用模式的輸出國。值得肯定的是，台灣並非從零開始：《人工智慧基本法》已經公布施行，國家人工智慧戰略特別委員會、風險分類框架與跨部會法規調適也已陸續啟動。下一階段真正的考驗，是能否把治理原則轉化為各產業可執行、可驗證、可究責的制度。政府與企業應在既有基礎上深化戰略對齊，推進以下四項制度創新：

1. 人才轉型與社會安全網：建立職能轉換帳戶與在職訓練制度，研議薪資保險、轉職津貼或過渡期所得支持，避免單用失業率指標衡量 AI 的社會衝擊。
2. 資料、智慧財產與責任制度：妥善處理訓練資料授權、專業知識補償、演算法責任，並在醫療 AI 及自動駕駛等高風險應用中建立對應的保險機制。
3. 跨域監理沙盒與實證場域：讓醫療、金融、交通與政府服務能在明確的條件下進行試驗，並以實證結果回饋、修正既有法規。
4. 政府採購與公共需求引導：除了扮演管制者，政府更應透過公共採購、標準制定與資料基礎設施的建置，創造可信任 AI 的首批市場與需求。

技術可以快速進入社會，但它的價值如何分配、風險由誰承擔，必須由制度回答。當模型能力與算力服務逐漸平台化，單一技術優勢的維持期可能縮短。歷史經驗顯示，技術優勢能否轉化為長期競爭力，往往取決於制度能否及時跟上。能夠讓 AI 補充人類能力、合理分配價值並清楚承擔責任的國家，才更有機會在下一波產業變遷中掌握主導權。

這是一場從算力走向治理的競爭。台灣已經站在全球 AI 硬體供應鏈的關鍵位置，下一步則要證明，我們同樣有能力成為制度、標準與應用模式的輸出國。

＊作者為公共價值創造、創新生態系與 AI 治理研究者。
（相關報導： 北市 AI 數位創新工作坊免費報名，聚焦 3 大產業專班 ｜ 更多文章 ）