代號：製造業的重生（第四部）

預知

AI 可以理解情境，但如果理解錯了，責任算誰的？

（一）

陳慧真不是不知道關窗比較有效。

她買那台 White-Westinghouse 除濕機時，銷售人員說得很清楚：門窗關好，效果最好。她也知道父親房間牆角那片霉斑不是一天兩天造成的。冬天一到，新北的雨像細針一樣落在窗台，牆面濕冷，棉被潮，體味、藥味和濕氣混在一起，怎麼除都除不掉。

可是她不能一直關窗。

父親氣管不好，夜裡常常咳。醫生說室內不能太悶，要保持通風。她只好把窗戶開一個小縫，再讓除濕機整夜運轉。

機器剛買來時，她覺得它很安靜。白色外殼，簡單面板，紙箱上印著那個看起來很有歷史的名字：White-Westinghouse。下面還有一行小一點的字：恆曜生活科技定義、驗證與服務。

她沒有特別注意。

直到第三週，那台除濕機開始跳出提醒——偵測到除濕效率偏低，建議關閉門窗。

她按掉。

第二天晚上，又跳出來——長期低效運轉可能增加耗能與零件負荷，是否啟用節能保護？

她忙著替父親拍痰、洗浴，沒空理它。

第四天，機器自動切換成較低負載模式。聲音變小了，但房間濕氣沒有降下來。父親半夜咳醒，說胸口悶。慧真摸了摸棉被，是潮濕的。

她拿起手機，掃了機身上的 QR code，進入恆曜的家庭現場回饋系統。

系統問卷出現：是否關窗？是否室內晾衣？濾網是否清潔？機器是否靠牆？是否同意上傳運轉紀錄？

她看著那些問題，忽然有點生氣。她不是不知道，但她就是不能。

最後，她在留言欄打了一句：你們的機器是幫我除濕，還是認為我連說明都看不懂？

送出以後，她把手機反扣在桌上。父親在床上睡著了，窗戶仍然開著一條縫。除濕機低聲轉著，像一個很有禮貌、卻完全不明白主人意思的客人。

（二）

那則留言在隔天上午進入恆曜生活科技的系統。

阿凱第一個看到。

他不是客服。他原本是沈國良帶的年輕工程師，後來被沈國良推薦到「家庭情境測試與回饋中心」，負責把第三階段累積下來的售後資料轉成可分析的模型。

他看著陳慧真的個案資料。濕度長期偏高，機器運轉時段集中在夜間，窗戶開啟機率高，壓縮機負荷偏高，系統自動降載，使用者留言情緒強烈。

模型判斷並沒有錯。從機器角度看，那確實是低效使用。

可是阿凱盯著那句話，看了很久。「你們的機器是幫我除濕，還是認為我連說明都看不懂？」

他把案例標記為「需人工複核」，轉給沈國良。

沈國良看完，只問一句：「為什麼開窗？」

阿凱停住，「系統沒有問到。」

「那系統就不知道自己在判斷什麼。」

下午的研發會議裡，林啟澤卻看到另一件事。他看著阿凱展示的資料圖，眼睛慢慢亮起來。

過去半年，恆曜家庭現場回饋系統累積了大量資料：濾網堵塞前，濕度下降曲線會變鈍；排水異常前，馬達負載會輕微波動；感測器偏移不是突然發生，而是慢慢漂走；老公寓電壓不穩會增加故障機率；長期開窗除濕會降低效能，也可能增加零件壓力。

阿凱說：「以前沈副要拆機、看紀錄、聽聲音，才知道問題在哪裡。現在有些前兆，機器自己看得出來。」

林啟澤問：「所以可以提前預防？」

「部分可以。」

「可以降低維修成本？」

「如果模型準確，可以。」

「可以讓不同供應商平台都跑我們自己的情境控制邏輯？」

阿凱看了他一眼。「理論上可以。」

林啟澤靠回椅背。

White-Westinghouse 是借來的名字。Whirlpool 是別人的身體。第三階段的責任鏈終於讓恆曜在故障後被找到。

可是這一次不同。

如果恆曜能在機器還沒壞以前就理解使用環境、調整運轉、預測故障，那不再是借名，不再是補售後，而是一條真正可能屬於恆曜自己的路。

他低聲說：「這可能是我們第三次契機。」

（三）

林啟澤跟專案小組約了時間商討新機會，報告重點放在阿凱的模型展示，吳亦諧和趙娟娟都在。

他很年輕，說話比沈國良快，也比林啟澤少一點包裝。他把 AI 與感測晶片結合拆成幾條曲線，這就是被林啟澤看中的機會。

「這是濾網堵塞前的濕度下降曲線。」他指著螢幕，「正常情況下，濕度下降會有一個斜率。濾網堵塞後，斜率會變鈍，但使用者不一定感覺得到。」

他切到下一頁。

「這是排水異常前的運轉資料。機器還沒停，但馬達負載和停啟頻率會有變化。」

下一頁是電壓波動。

「老公寓特別明顯。機器可以降載保護，但如果直接降載，使用者會覺得效果變差。」

沈國良坐在馬蹄型會議桌後方，雙手放在桌上。

阿凱停了一下，轉向他。「沈副以前靠經驗看出來的東西，藉由現在的感測晶片都可以把資料回傳，也就是說，按照使用狀況曲線，每台機器自己都可以偵測是否將發生故障，通知後台進行遠端調整，或聯絡使用者安排維修。」

這句話讓沈國良沉默。他知道阿凱不是在挑戰他，而且某種程度上，阿凱是在傳承他的經驗，把他多年在工廠與維修現場學到的、觀察到的現象歸納與整理後，放進更多機器裡。

可是沈國良仍不放心，「你讓機器看見故障前兆，我同意。」他說，他想到的是：「你讓機器自己判斷是否介入使用環境，我不同意。」

阿凱說：「如果不把使用情境轉成資料，我們永遠只能等它壞了才知道。」又說道：「這樣不但能延長機器使用壽命，對客戶也比較有利。」

沈國良回答：「使用現場不是參數。」

阿凱沒有退，「可是第三階段的測試中心，不就是把現場情境變成可以測的場景嗎？」

這句話讓沈國良當場說不出話。

他曾經堅持產品要理解使用現場。現在阿凱只是把現場情境往前推一步，變成模型可以讀取的訊號。

他不能一邊要求恆曜理解使用現場，一邊拒絕資料化，和進一步處理。

趙娟娟看著兩人，輕聲說：「問題也許不是能不能資料化，而是資料化以後，誰有權解釋它。」

（四）

AI整合模組在下一節會議中啟動。

這一次，它沒有一開始就給答案，而是提出三個情境。

第一：低價硬體跟隨者。
恆曜繼續使用 White-Westinghouse 授權品牌，搭配中國、越南供應鏈平台與基本售後系統。短期穩定，長期被更大品牌與更低成本壓縮。

第二：服務型家電公司。
恆曜強化維修、延保、家庭檢測、到府服務與售後資料回流。責任鏈完整，但成本高，成長慢。

第三條：AI 情境傳感公司。
恆曜將使用現場資料轉為情境模型，讓機器在硬體可調範圍內自動優化運轉，並提前預測故障。

林啟澤盯著第三條。

孫子模組隨即輸出：「避硬體之鋒，攻情境之隙。」

它的判斷很清楚：恆曜不應與中國品牌硬拼最低價格，也不應一味堆硬體規格。若能掌握台灣使用現場情境模型，便可用相同或近似硬體平台，做出不同使用效果，降低地緣政治與單一供應商壓力，甚至發展預防性維護訂閱服務。

董事會代表聽得很專心。

有人立刻問：「如果 AI 能判斷高風險使用者，延保費率是否可以差異化？」

另一人問：「情境資料能不能和能源管理公司合作？」

財務長補了一句：「如果使用者忽略多次提醒，後續故障是否能排除保固？」

會議室安靜了一瞬。

林啟澤沒有立刻回應，那些問題都有商業邏輯。AI 研發要錢。系統維護要錢。資料若不能變現，董事會不會永遠支持。

但他心裡有個聲音：前三次，我們都在補別人的洞。這一次，也許恆曜終於能站到前面。

吳亦諧看著他，「小心。」吳亦諧說，「你們以為模型在理解使用現場，但或許模型可能只是要求使用現場說明該機器為何不符合模型。」

（五）

沈國良要求啟動莊子模組。

林啟澤有些不解，「又是使用心裡的哲學問題嗎？」

吳亦諧說：「AI 進入使用現場以後，哲學會自己來。」

螢幕上浮出兩行字：「未壞而先知，非必為智；未問而先至，非必為仁。」

沒有人說話。

接著又出現：「機知其濕，不知其人。機知其耗，不知其故。以數名實，則實失其實。」

阿凱皺眉。他不完全喜歡這種語言，但他聽得懂。

機器知道濕度，不一定知道人。知道耗能，不一定知道原因。用數據替使用現場命名，使用現場就可能被迫表現出數據願意接受的樣子。

吳亦諧說：「預測一旦被相信，就會開始替人決定什麼叫正常。」他停了一下，又說「在陳慧真案例中，那是正常的使用現場，但不是恆曜定義的正常。」

林啟澤反問：「我們就不要預測？」

趙娟娟接話：「不是不要。是預測之後，要設計退路。」

她沒有列出簡報式條款，而是逐一問：「使用者可不可以關閉情境感測？機器自動調整前，是否需要同意？AI 判斷能不能被解釋？使用者能不能回答：這不是故障，是生活需求？模型誤判時，責任回到誰身上？資料能不能拿去做拒保或賣給第三方？」

每問一句，會議室就更安靜一點。

林啟澤知道，這些問題會讓商業模式變慢，也變得不那麼漂亮。

趙娟娟最後說：「AI 不能成為恆曜逃避責任的新方法，反而讓責任更早開始。」

沈國良看了她一眼。這句話他同意，但他仍然不確定，責任更早開始，是否也意味著恆曜更早闖入別人的生活。

（六）

內測機型上線後，第一版提示語很快引起爭議。

阿凱的團隊原本設計的是：「偵測到低效使用行為，建議關閉門窗以提升除濕效率。」

沈國良看到後，立刻要求刪掉。

阿凱問：「哪裡不對？它確實低效。」

沈國良說：「把別人的生活需要稱為低效，不好吧？」

阿凱愣了一下，「那要怎麼說？」

沈國良想不出更好的詞。

趙娟娟後來改成：「偵測到特殊使用情境，是否需要調整模式？」

這句不那麼長，也比較不銳利，比較不傷人。

內測進行到第三週，陳慧真的案例被正式拉回會議。

阿凱解釋模型判斷：長時間高濕、開窗狀態、耗能上升、壓縮機負荷增加，系統為保護零件而自動降載。從技術角度看，判斷合理。

沈國良只問：「模型有沒有問她為什麼開窗？」

阿凱低頭看資料，「沒有。」

「那系統就不知道自己在判斷什麼。」

阿凱沒有反駁，他知道，模型不是看錯資料，而是看不到資料以外發生的事實。

它看到窗戶開了，卻看不到床上的老人；看到濕度高，卻看不到咳嗽；看到耗能上升，卻看不到女兒半夜起來替父親拍背。

那天晚上，阿凱在程式碼旁邊加了一個註記：環境訊號不等於使用現場的理由。

他沒有提交，先留著。

（七）

董事會很快提出更直接的要求。

既然 AI 可以判斷使用風險，是否能用在延保分級？

常開窗、長時間高負載、不清濾網、電壓不穩、忽略提醒的使用者，未來可否提高延保費？可否在部分故障中排除完整保固？

財務長說得很冷靜：「這不是懲罰，是風險定價。」

董事也說：「如果使用者不按照建議使用，為什麼公司要承擔全部成本？」

林啟澤沒有立刻否定，因為這些說法並不荒謬。恆曜要維持 AI 系統，需要資金；若高風險使用者造成更多維修成本，風險分級看起來合理。

沈國良的臉色卻不好看，「你不能先說機器懂家庭，等家庭不符合機器設定的參數時，又說那是使用者責任。」

阿凱也開口，「模型現在還看不懂理由。」他說，「用來做拒保判定標準，是把我們不知道的事變成客戶的錯。」

這句話讓林啟澤看向他。

阿凱平常不太在董事會式會議裡表態。這一次，他說得很清楚。「我們可以預測風險。」阿凱說，「但預測出來以後，是解決問題，還是把風險和結果分類？這兩件事差很多。」

會議室安靜了。

吳亦諧淡淡補上一句：「分類，是命名的一種。命名錯了，人就要替錯誤的名字付錢和負責。」

林啟澤看著董事會的資料，又看著陳慧真的留言。他明白這是一個不可逆選擇。

若他讓 AI 判讀感測資料進入拒保與分級，恆曜會得到一個新的商業工具。但第三階段建立的責任鏈，可能會變成風險篩選機器。

他想了一會兒，終於說：「AI 情境資料不得作為拒絕保固的唯一依據。高風險判斷必須經真人檢測確認。不向第三方出售家庭情境資料。訂閱服務可以做，但不得把基本安全提醒變成付費功能。」

董事們臉色不好看。

財務長問：「這會限制商業化。」

林啟澤回答：「會。」

「那為什麼？」

林啟澤說：「因為如果我們把 AI 當成推卸責任的工具，恆曜就只是用比較聰明的方法，回到第一階段、甚至以前。」

（八）

會後，沈國良和阿凱留在情境測試中心。

那台內測除濕機安靜地運轉著。螢幕上顯示：濕度偏高、窗戶疑似開啟、建議使用特殊情境模式。

沈國良說：「我一開始想把自動調整全關掉。」

阿凱說：「那它就只是一個會說話的警示燈。」

「你覺得我太保守？」

「有一點。」阿凱笑了笑，「如果我們明明能在壞掉前看到問題，卻故意不看，那也是不負責。」

沈國良沒有生氣，他知道阿凱說得對。

第三階段讓恆曜學會讓責任落地，第四階段就不能假裝事前預警沒有價值。濾網堵塞、排水異常、電壓波動，這些確實可以提前避免，若因害怕介入而完全放棄預測，也是一種懶惰。

「那你覺得呢？應該如何處理？」沈國良問。

阿凱說：「讓它先問。讓它解釋。讓它等人回答。真的危險，再找真人確認。」

沈國良看著那台機器，「它不是不能想。」他慢慢說，「是不能以為自己想到了全部。」

阿凱點頭，「所以我想加一種模式。」

「什麼？」

「不介入，只陪跑。」

沈國良看著他。

阿凱解釋：「系統可以觀察、提醒、解釋，但不自動調整。使用者標記特殊情境後，模型不要一直重複提醒。只有安全風險到一定程度，才轉真人客服。」

沈國良沉默很久，最後說：「名字不太好。」

阿凱笑了。

「我知道。」

沈國良看著那台機器低低運轉，他知道自己也被這個年輕人修正了。他曾經怕 AI 太早進入家庭；阿凱讓他看見：不進入，也可能錯過責任。

問題不是要不要進入；是進入以後，懂不懂退後。

（九）

阿凱跟吳亦諧說了自己的想法，趙娟娟和吳亦諧都非常肯定。

未來思考模組第二次輸出時，原本第三個情境被修正。名稱不再是AI 情境傳感公司，改成：AI 情境翻譯者。

模組輸出：恆曜不應使 AI 成為使用情境管理者，而應使其成為翻譯者。它傳達出濕度、耗能、電壓、零件疲勞與使用情境，卻不替家庭做最後決定。預測不是為了替人選擇，而是為了讓責任提早抵達。

吳和趙兩人知道，模組的意思是「介入者須退後」，這不是放棄責任，而是責任成熟以後的樣子。

第一階段，恆曜要被看見。
第二階段，恆曜要知道身體在哪裡。
第三階段，恆曜要讓客戶知道怎麼找到恆曜。
第四階段，恆曜要在機器還沒壞以前先到達，卻不能把使用現場佔為判斷依據。

吳亦諧說：「這次模組沒有讓你們更聰明。」

林啟澤問：「那模組給了我們什麼？」

「幫助你們承認不是甚麼都知道。」

（十）

更新後的系統先回到陳慧真的家。

那天夜裡仍然下雨。父親睡得不深，咳了幾聲。慧真把窗戶推開一點，濕冷空氣進來，她替父親拉好被子，又看了一眼除濕機。

螢幕亮起，不刺眼。偵測到長時間高濕，使用者已標記為照護通風情境，系統維持目前設定。若需短時強化除濕，可點選協助。建議定期清潔濾網。

這一次，它沒有自動降載；沒有顯示低效，沒有反覆要求關窗。

陳慧真看了很久，沒有按掉提示。她伸手把窗戶關小一點，不是因為機器指示，而是因為父親終於睡穩了。除濕機的聲音微微升起，又很快降回去。

同一時間，恆曜的後台收到標記：照護通風情境。使用者維持設定。無需介入。

阿凱注意到了。

沈國良站在他旁邊，「現在它不是比較聰明。」沈國良說，「系統知道自己不能什麼都知道。」

阿凱問：「那這算長出實體嗎？」

沈國良想了想，「不。」他說，「這是系統學會不要把使用現場當成自己的實體。」

阿凱沒有回話。他把之前那行程式註記正式寫進模型說明：環境訊號不等於使用現場不合判定標準的理由。

遠處的測試中心裡，另一台機器正在模擬高濕、開窗、低溫、濾網堵塞與電壓波動。數據仍然流動。模型仍然學習。恆曜仍然會犯錯，也仍然會想把錯誤變成下一次的規則。

但至少這一次，它學會在規則前面留下一點空間。

那個空間，是給真實的使用情境的。

恆曜曾經借來名字，後來尋找實體，最後學會責任。到了第四階段，它才明白，預感不是比人更早知道答案，而是在答案還沒出現以前，先承認自己可能會錯。

系統沒有替那個使用現場做決定，那台機器安靜地運轉著。