---
title: "AI 公平性（AI Fairness）"
slug: ai-fairness
language: zh-TW
source: https://aiterms.tw/terms/ai-fairness
updated_at: 2026-07-30
tags: [AI倫理, 公平性, 偏見, 負責任AI, 機器學習]
ipas_term: false
---

# AI 公平性（AI Fairness）

確保 AI 系統對不同群體（如性別、種族、年齡）的決策結果不存在不合理歧視或偏差的原則與實踐。

## 完整說明

AI 公平性（AI Fairness）是 AI 倫理的核心議題之一，關注機器學習模型在不同人口統計群體之間是否產生不公平的差異化結果。由於模型從歷史資料中學習，若訓練資料本身包含社會偏見或結構性歧視，模型可能放大這些偏見，在招聘篩選、信用評分、醫療診斷、司法量刑等高風險決策中對特定群體造成系統性傷害。

## 常見問題

### AI 模型沒有使用種族或性別特徵，就代表它是公平的嗎？

不代表公平。即使明確排除敏感屬性（種族、性別、年齡等），模型仍可能透過與這些屬性高度相關的「代理變數」習得偏見，這被稱為代理歧視（Proxy Discrimination）。例如，郵遞區號可能高度相關於族裔聚居地，教育程度可能反映性別不平等的歷史結果，姓氏甚至可以相當程度地預測種族背景。因此，判斷 AI 是否公平不能只看輸入特徵，必須透過對不同群體的輸出結果進行統計分析，並用明確的公平性指標量化差異，才能得出可靠結論。

### AI 公平性和模型準確度之間有矛盾嗎？

通常確實存在一定程度的準確度與公平性之間的取捨（Accuracy-Fairness Tradeoff）。強制模型在不同群體間達到某種公平性指標（如相等的假陽性率），往往需要犧牲整體準確度，或對部分群體的預測精度有所讓步。這反映了公平性不是一個純技術問題，而是一個社會價值選擇：我們願意為了公平付出多少效能代價？在高風險決策領域（如司法、醫療），減少對弱勢群體的系統性錯誤可能比提升整體準確度更重要；在低風險場景中，取捨方式則不同。重要的是這個決策應該明確、透明，並有倫理審查機制介入。

### 企業在部署 AI 前應如何進行公平性評估？

企業進行 AI 公平性評估建議遵循以下步驟：首先，識別受影響的利害關係人群體，確定哪些人口屬性（如性別、年齡、族裔、地區）在應用場景中可能成為歧視風險點。其次，選擇與應用場景價值觀對齊的公平性指標，並根據法律法規要求確定合規紅線。接著，將測試資料按群體分層，分別計算各群體的預測效能與公平性指標，使用 AI Fairness 360 或 Fairlearn 等工具輔助。發現顯著差異時，溯源偏見來源（訓練資料？特徵選擇？標籤品質？），並評估預處理（重採樣）、訓練中（公平性約束）、後處理（閾值調整）等緩解方法的效果。最後記錄完整的評估過程與結論，納入模型卡（Model Card）或系統設計文件，作為持續監控的基準。

---

來源：https://aiterms.tw/terms/ai-fairness
快查頁：https://aiterms.tw/terms/ai-fairness
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-ai-fairness