新加坡訊：專家向CNA表示，為人工智慧服務設計的『營養標籤』有望幫助用戶更清晰地理解AI系統的運作機制——但前提是這些標籤必須設計清晰、定期更新，並獲得行業全力支持。
上個月，數字發展與資訊部長陳慧玲首次提出這一構想，目前政府正積極探討將其納入提升數字空間信任與安全的總體戰略。
然而，新加坡國立大學人工智慧研究所AI治理與政策負責人西蒙·切斯特曼教授警告，若設計不當，這類標籤極易淪為『填表式作秀』，讓負責任的開發者疲於應付，卻無人真正關注。
切斯特曼教授強調，有效的AI營養標籤應明確說明：系統的設計目標、依賴的數據來源、主要局限性、更新頻率，以及當系統出錯時誰該負責。
小巧數獨，腦力大挑戰
「對於面向消費者的工具，最關鍵的是不要製造『精準幻覺』，而要讓用戶清楚知道：何時該信任AI的輸出，何時該保持警惕。」他補充道。
南洋理工大學計算與數據科學學院AI部門負責人安波教授對此表示認同，強調標籤必須在「清晰」與「詳盡」之間取得平衡。
「如果標籤太模糊、太冗長，或被當成應付差事的填表任務，絕大多數用戶都會直接忽略。」安教授說。
摩托羅拉解決方案公司早在去年七月就在其安全與安防技術中全面推出「AI營養標籤」，並以分層設計應對信息過載問題。
該公司全球AI研發負責人傑漢·維克拉馬蘇里亞高級副總裁表示，標籤提供「一眼可讀」的概要，同時通過連結提供更深入的細節信息。
摩托羅拉解決方案推出的AI「營養標籤」示例（圖片來源：摩托羅拉解決方案官網）
保持標籤更新與可讀性
另一個關鍵挑戰在於：隨著AI系統持續演進，如何讓標籤保持同步。
專家指出，靜態標籤極易過時，尤其在模型頻繁疊代的當下。
為此，安教授與切斯特曼教授建議，將標籤連結至持續更新的網頁，實時展示變更記錄與修訂日期——這與摩托羅拉解決方案的做法一致：將標籤更新深度嵌入開發流程，使其與技術同步進化。
此外，由於AI應用場景廣泛、風險層級各異，跨系統標準化也將面臨巨大挑戰。
「對數據科學家而言，『可解釋性』意味著模型內部結構；對警察局長或普通市民而言，它可能只是『這個AI靠譜嗎？』」維克拉馬蘇里亞分享道，該公司在統一多方術語、確保不同背景用戶都能看懂的過程中，雖困難重重，卻收穫頗豐。
儘管挑戰重重，業界普遍認同：標準化勢在必行。
安教授認為，監管機構應設定最低披露要求，而行業則應開發實用、易比較的標籤格式。
切斯特曼教授也持相同觀點：「即使無法實現完全統一，基礎標準也必不可少。」
最終，專家們指出，AI營養標籤的核心目標，不是追求「完美透明」，而是幫助用戶做出更明智的決策。
「尤其是在信息泛濫的時代，真正的目標不是完美透明，而是更精準的信任。」切斯特曼教授總結道。
