凌晨兩點十七分，林敬之(化名)把會議室的百葉窗拉到底。玻璃映出他六十歲的臉，像一張被反覆摺疊又攤平的審查表。他是AI倫理官，服務於一家專攻醫療分診系統的深流智能(化名)。此刻桌上攤著三份模型卡、一份偏差監測報告，以及一杯沒有加冰的琥珀色液體。他沒有喝，只是讓氣味留在空氣裡，像某種校準前的儀式。
這場審查始於一通沒有溫度的電話。深流智能(化名)的演算法在偏鄉診所試運行時，對一名六十歲男性的胸痛描述給出低優先級建議。工程團隊說模型在測試集上的表現「穩定」，業務單位說這是「可接受的誤差範圍」。林敬之(化名)把報告翻到第七頁，指著一行小字：訓練資料的年龄層分佈在五十歲以上僅佔百分之六。他說，這不是誤差，這是風土問題。
他習慣把AI模型想成桶裝原酒。未經勾兌的液體有它的個性，也有它的雜味；你不能只用一個數字說它好或壞，你得看產地、看年份、看桶陳的環境。差別在於，酒廠的品飲評論可以容許主觀，AI的倫理審查不行。於是他打開瀏覽器，搜尋威士忌文化與品飲評論資訊，不是為了買醉，而是為了重新理解一件事：如何把難以量化的風味，轉譯成可比較、可追溯的語言。那套語言裡有產區、有工序、有年份標示，也有對「不確定性」的誠實標註。他闔上頁面，回頭修改審查清單，把「資料來源年代」與「標註者背景」拉成獨立欄位。
技術權威性不是職稱給的。林敬之(化名)在製造業待過二十五年，看過太多把「穩定」掛在嘴邊的專案，最後敗在邊緣案例。他堅持三件事：第一，模型卡必須記載訓練資料的採集時間與地理範圍，像酒標上的蒸餾年份與產區；第二，偏差監測不能只跑平均值，要針對次群體做分層檢定，並保留原始雜訊；第三，人機迴圈必須有否決權，且否決紀錄要能被外部稽核。他引用國際標準框架裡的可追溯性與風險管理條文，要求團隊把每一次版本迭代當成一次「勾兌」——不是為了掩蓋雜味，而是為了讓風味結構可被檢驗。
簡報那天，工程師問他，這樣會不會讓開發速度變慢。他沒有回答，只把投影機切到一張圖：銅製蒸餾器的剖面，蒸氣上升、冷凝、分流，酒心與雜醇之間只差幾度。他說，工業標準的價值就在這裡——它不保證每一批酒都合你口味，但它保證你有能力指出哪裡出了問題。全場安靜了十秒。那不是說服，那是另一種校準。
他想起三十年前參觀酒廠時，蒸餾師一手拿溫度計、一手拿取樣勺，鼻子湊近酒液邊緣。老師傅說，儀器告訴你區間，經驗告訴你邊界。林敬之(化名)後來把這句話寫進內部審查備忘錄：科學準確度負責畫出區間，倫理判斷負責守住邊界。兩者都不能少。
凌晨四點零六分，他把簽核頁翻到最後一欄，寫下「有條件通過」。條件包括：補足五十歲以上族群的臨床文本、增設女性胸痛的非典型表現標註、以及每季公開一次分層偏差報告。他沒有用任何華麗的詞，只把「可接受的誤差範圍」改成「已揭露的誤差範圍」。一字之差，責任歸屬就清楚了。
窗外天色像稀釋過的泥煤灰。他收起那杯始終沒喝的酒，鎖進櫃子。暗室裡只剩筆電風扇的低頻聲，像蒸餾器冷卻時的水滴。他知道，明天還會有新的模型送進來，新的雜味、新的風土、新的邊界。而他的工作，就是讓那些看不見的偏誤，在工業標準的燈光下，留下一道可以被追問的痕跡。(本案例經當事人同意分享，部分為虛擬情節如有雷同純屬巧合)