人工智能應唔應該參與政府決策？

引言

科技從來唔單止改變生活，仲會重塑權力結構。當人工智能（AI）開始由下棋、識圖，進軍至城市規劃、社會福利審批、災難應變甚至外交策略建議，我哋必須認真面對一個根本問題：機器，應該唔應該參與政府決策？

呢份分析手冊，正正就係為咗幫你搞清楚呢場辯論背後嘅千絲萬縷而設。無論你係準備上場嘅辯手、訓練隊伍嘅教練，定係希望提升思辨能力嘅學生，甚至係擔任評判想掌握關鍵判準，呢本書都會成為你手中嘅戰略地圖。

目的與適用對象

呢份手冊唔係簡單列舉論點，而係一套完整嘅「辯論作戰系統」。我哋目標係：

• 幫助正反雙方建立扎實立論架構，唔使驚一開口就漏氣；
• 提供預測對手路線同設計反擊策略嘅工具，令你喺交鋒環節掌握主動；
• 教導點樣運用數據、案例同質詢技巧，將抽象技術議題轉化為具說服力嘅公共論述；
• 協助教練設計訓練流程，同評委釐清勝負判準。

換句話講，呢度唔淨係教你「講乜」，仲教你「點樣講」、「點樣拆」同「點樣贏」。適合用於校際比賽、模擬聯合國、政策辯論訓練，以至大學級別嘅公開辯論賽。

議題背景速覽

你以為AI仲未參與政府決策？諗吓先。

新加坡用AI模型預測長者跌倒風險，自動觸發社福跟進；荷蘭有城市用演算法評估家庭虐兒風險，決定點樣分配社工資源；中國部分地區用AI分析交通大數據，直接調整紅綠燈時序同公共交通路線；美國國防部開發「Project Maven」，利用機器學習分析無人機影像，協助軍事決策。

以上全部，都係AI「參與」政府決策嘅現實案例——只不過程度唔同。有啲純粹係提供數據洞察（顧問角色），有啲已經走到自動執行政策（決策角色）。而正係呢種「漸進式入侵」，先至最危險：我哋往往唔察覺，決定我哋命運嘅制度，已經有一部分交比黑箱演算法。

潛在好處當然存在：AI可以快速處理海量數據，減少人為拖延，提升政策精準度，甚至避免政客私心干預。但風險同樣巨大：演算法可能放大社會偏見（例如針對少數族裔錯誤標籤高風險）、缺乏透明度（點解拒絕我嘅福利申請？AI話係）、問責困難（出錯咗，告邊個？程式設計員？政府？定係AI自己？）。

更深刻嘅問題係價值層面：民主制度建基於「人民授權」同「政治問責」，一旦核心決策交比無法解釋自己邏輯、亦無需向選民負責嘅系統，我哋仲可以話呢個係「民有、民治、民享」嘅政府嗎？

所以，呢場辯論唔單止關於科技，而係關於我哋點樣定義治理、責任同正義。準備好未？

1 辯題解讀

玩辯論最怕乜？唔係口才差，而係大家講緊唔同嘢。同一句「AI參與政府決策」，你心目中係咪諗住機械人坐立法會？定係只係幫局長整理每日新聞摘要？呢個落差，足以令場比賽變成平行時空對話。

所以，第一關就要「收窄地盤」，將模模糊糊嘅議題，變成立論可以紮根嘅實地。我哋要問三個根本問題：
AI係乜？「參與」係幾深？政府決策又包唔包含殺人放火？

搞清楚呢啲，先至打得落去。

1.1 先講定義：唔好再用「AI」嚇人

好多時候，「人工智能」呢三個字本身就成咗修辭武器。一方話「AI好犀利呀，識預測疫情」，另一方即刻反駁「你唔怕AI造反呀？」——但其實大家講緊嘅根本唔係同一樣嘢。

「人工智能」唔係鐵甲奇俠

喺辯論入面，「人工智能」應該理解為：利用數據訓練而成、能夠自動執行特定任務或做出判斷嘅算法系統。重點唔係佢有無自我意識，而係佢有無「自動化決策能力」。

舉個例：
- 用機器學習模型分析過去十年天氣同登革熱爆發關係，預測今年邊區需要滅蚊——呢個係AI。
- 用簡單程式根據即時車流自動調校紅綠燈時間——都可以算低階AI。
- 但如果你部電腦只係儲齊資料等官員自己睇，冇任何預測或建議功能，就唔應該攞嚟當AI論證。

記住：AI唔等於科幻，而係「數據驅動嘅自動化判斷工具」。

「參與」唔代表「做主」

「參與」呢個詞真係太曖昧。你去開會打個呵欠都算參與，點解AI一出聲就話搶咗人位置？

所以必須界定程度。我哋可以用「決策鏈」嚟睇：由收集資訊 → 分析選擇 → 提出建議 → 做出決定 → 執行行動 → 追蹤成效。

AI喺邊一環出現，決定咗佢實際影響力。譬如：
- 只負責頭兩步（收集同分析）→ 屬「顧問角色」
- 能夠篩選方案甚至推薦最佳選項 → 「輔助角色」
- 直接拍板並啟動執行程序 → 「決策角色」

越後面，責任同風險幾何級上升。

「政府決策」都要分輕重

政府日日做決定，但唔係每個都咁敏感。

你可以想像一條光譜：

🟢 低政治敏感 + 高技術性
例子：調整巴士班次、預測水塘水位、優化垃圾收集路線
特點：數據豐富、結果易驗證、出錯代價較低

🟡 中等敏感 + 混合價值判斷
例子：福利申請審批、學校派位、中小企補貼評估
特點：涉及資源分配，可能影響弱勢群體，需平衡效率同公平

🔴 高政治敏感 + 核心權力
例子：宣戰、特赦、憲制改革、大規模監控政策
特點：涉及國家主權、人權保障、民主授權，極難交比非人類實體

記住呢條光譜——正反雙方往往爭持不下，正正因為一方聚焦綠區，另一方死守紅區。

1.2 分級睇「參與」：由顧問到獨裁，中間有三級

為咗避免混淆，我哋將「AI參與」分做三個層級，每個層級對應唔同倫理門檻同法律要求：

第一級：顧問型參與（Advisor AI）

「我睇完數據，覺得A方案成功率高37%。」

功能：提供分析報告、趨勢預測、風險評估
特徵：最終決定權牢牢掌握喺人類手上，AI只係「智囊團成員」
例子：用AI模型預測流感爆發高峰，供衞生署參考應變部署

⚖️ 倫理風險：相對低，但要注意數據質素同模型偏差是否誤導決策者

第二級：輔助型參與（Assistant AI）

「根據標準，呢份申請符合資格，已自動轉交下一階段。」

功能：自動篩選、觸發流程、執行既定規則
特徵：在明確框架下自動操作，但重大例外仍需人工覆核
例子：AI初審長者綜援申請，發現文件齊全兼無矛盾即自動批核

⚖️ 倫理風險：中等。一旦規則設計有偏見（例如低估非標準收入），會系統性排除某些群體

第三級：決策型參與（Autonomous AI）

「系統判定該區域恐怖威脅級別達8.6，已啟動宵禁令。」

功能：獨立作出具有法律效力嘅決定，無需即時人類批准
特徵：AI成為實際決策主體，人類事後監察
例子：自動化邊境管制系統拒絕入境申請；軍事AI選擇攻擊目標

⚖️ 倫理風險：極高。涉及問責真空、透明度缺失、不可逆後果

關鍵提醒：正方往往由第一級立論，但被攻擊時卻被迫 defends 第三級；反方則慣性由第三級恐嚇，但實際要反對嘅可能只是第二級擴張。雙方都要守住自己定義範圍！

1.3 為雙方建構合理情境：唔好「扮無辜」或「扮末日」

要打得精彩，雙方都要喺合理前提下展開論述，唔好一開始就墮入極端。

正方合理情境假設

• AI係作為制度改良工具，針對現有官僚系統嘅拖延、腐敗、資訊閉塞問題
• 使用前提包括：通過獨立審計、公開算法邏輯（至少原則上）、設有人工否決機制
• 優先應用於技術性高、情緒化低領域，例如城市基建、公共衛生預警、能源調配
• 政府保持最終控制權，AI係「升級版公務員」，唔係替代民主程序

👉 換句話講：正方唔使話「AI做特首先好」，而係「點解唔畀AI幫我哋做得更好？」

反方合理情境假設

• 現實中AI系統往往以「試驗計劃」名義悄悄擴權，最終形成事實自主決策
• 所謂「透明算法」其實係商業機密，公眾無法有效監督
• 弱勢群體最容易被錯誤標籤為「高風險」而剝奪資源
• 一旦出錯，問責困難：程式員話「我寫咗code但唔知結果」，官員話「AI建議我跟」，最後無人負責

👉 換句話講：反方唔使話「AI一定造反」，而係「點解要冒呢個風險？尤其當代價由最 vulnerable 嘅人承受？」

雙方都要 grounded 於現實案例，唔好沉迷哲學假想。例如正方可引新加坡智慧城市項目，反方可引用荷蘭「SyRI」系統因歧視窮人被法院叫停事件。

1.4 常見理據類型：你哋爭緊嘅，其實係邊啲價值？

場場辯論表面講科技，實際爭緊係價值排序。以下係最常出現嘅理據軸心，記熟佢哋，你就知點樣反擊同深化自己立論：

呢張表唔單止幫你準備論點，仲可以作為質詢指南：每次對方講完，問自己一句：「佢呢段其實係邊類理據？有冇忽略其他價值？」
例如對方狂吹效率，你就問：「你肯唔肯用呢套高效AI去決定邊個政治犯可以獲釋？如果唔肯，點解？」

呢樣先至叫思辨。

2 戰略分析

打辯論唔似考試背書，而係一場「預測—反制—控制」嘅心理博弈。你唔可以等對手出招先諗應對，而係要喺比賽開始前，已經知道對方八成會講乜、點樣講、用咩案例撐。

呢一章就係你哋嘅作戰地圖，教你由被動防守變主動設局，掌握整場比賽節奏。

2.1 對方可能論點與證據線

正方常見論點與武器庫

正方通常圍繞「提升治理能力」做文章，主打三個方向：

• 效率革命
  「現有官僚系統拖沓腐朽，AI可以即時分析災情、自動派發救援物資。」
  常用數據：引用世界銀行報告指發展中國家行政成本佔GDP 3–5%，暗示AI可節省數百億開支。
  案例：愛沙尼亞電子政府系統，99%公共服務網上完成，稅務申報只需5分鐘。

• 去人為偏見
  「人類審批福利時會歧視單親媽媽或少數族裔，AI只睇數據，更公平。」
  數據支持：美國某州用AI審批保釋申請後，還押率下降30%，未見犯罪率上升。
  注意：呢類研究多由AI公司贊助，質疑其獨立性係有效反擊點。

• 危機應變優勢
  「疫情爆發時，AI可以在24小時內模擬幾萬種封城方案，人類專家要幾個禮拜。」
  案例：新加坡用AI模型預測病毒傳播路徑，成功提前部署檢疫中心。

👉 正方策略本質：將AI描繪成「救火隊」，專補人類政府漏洞。

反方常見論點與武器庫

反方則集中火力攻擊「不可控風險」，尤其著重倫理與制度崩壞：

• 問責真空
  「AI自動拒絕長者綜援申請，老人家想覆核都唔知告邊個——程式員？部門首長？定係AI自己？」
  案例：英國「Windrush scandal」雖非AI造成，但可用嚟說明「系統性錯誤 + 無人負責」嘅悲劇模式。

• 偏見放大器
  「訓練數據來自過去，而過去充滿歧視，AI學咗就會複製甚至加強。」
  數據：美國COMPAS再犯風險評估系統，被證明對黑人被告標籤「高風險」機會高出兩倍。
  引伸：即使算法本身中立，輸入嘅社會數據已係扭曲鏡。

• 民主侵蝕
  「如果日常決策都交比AI，議員變咗 merely ratify machine decisions，選舉仲有冇意義？」
  哲學論述：引用哈貝馬斯「溝通理性」，話公共決策需要討論同說服，唔係計數。

• 安全脆弱性
  「一旦AI決策系統被黑客入侵或內部操縱，整個城市基礎設施可以瞬間停擺。」
  案例：烏克蘭電網曾遭駭客攻擊導致大停電，若連決策AI都被控，後果更嚴重。

👉 反方策略本質：將AI描繪成「特洛伊木馬」，表面幫忙，實則偷走問責同正義。

💡 提示：雙方都要準備「反例拆解」。例如正方講愛沙尼亞成功，反方就要問：「佢哋點樣處理AI錯誤？有無獨立監察機構？市民有冇集體訴訟權？」

2.2 關鍵攻擊點與防守優先級

辯論時間有限，你唔可能每點都守。必須分清必爭之地同可以放棄嘅外圍。

最值得進攻的三大致命點

呢三點之所以致命，因為佢哋直接挑戰「制度可信度」——就算AI真係高效，如果市民覺得唔公、唔明、告極都唔到，政府 legitimacy 就會流失。

雙方必須堅守嘅防線

• 正方要守住：
• AI始終係「工具」，最終決定權喺人
• 有獨立審計、公開測試、人工否決機制
• 優先應用於低政治敏感領域（例如交通、能源）

• 反方要守住：
• 現實中「人類把關」往往流於形式
• 技術擴張有路徑依賴，今日顧問，明日主宰
• 弱勢群體最容易成為「算法受害者」

⚠️ 記住：一場比賽中，只要一方成功守住其中一條核心防線，再加上攻陷對方一條致命點，勝算已經高過七成。

2.3 交鋒誤區與陷阱

好多隊伍明明準備充足，但一入自由辯就「癱瘓」，原因就係跌入以下陷阱：

❌ 陷阱一：將「AI有缺陷」當成「全面禁止理由」

反方常犯：「AI會出錯，所以唔應該參與！」
問題：人類都會出錯，點解唔禁人類決策？
✅ 正確打法：唔係話AI一定錯，而是話「AI出錯時更難發現、更難糾正、更難問責」。

❌ 陷阱二：混淆「技術可行性」同「制度合理性」

正方常犯：「AI識預測疫情，所以應該用！」
問題：識做唔代表應該做。納粹醫生都識解剖，點解我哋唔准？
✅ 正確打法：承認技術能力，但追問「點樣確保透明？邊個監督？出錯點算？」

❌ 陷阱三：用極端假想嚇人

反方講：「AI會滅絕人類！」
正方講：「唔用AI就等於返祖！」
結果：評判覺得你哋離地，失去 credibility。
✅ 正確打法：緊扣現實案例，唔好講「將來可能」，要講「現已發生」。

❌ 陷阱四：忽略「程度差異」，全面進攻或防守

一方話「所有AI參與都危險」，另一方話「全部都可以自動化」——呢種 absolutism 幾乎一定輸。
✅ 正確打法：接受「某程度參與合理」，爭議焦點放在「界線應該劃喺邊」。

📌 提醒：交鋒唔係比大聲，而係比精準切入要害。一句「你套系統如何防止對非正規就業者產生系統性歧視？」，遠勝十句空泛批判。

2.4 評委期待與勝負判準

你以為評判鍾意口才好？其實佢哋最看重三樣野：

✅ 清晰框架 > 华麗修辭

評判想睇到：你哋有冇一套完整論證鏈？
例如正方是否由「現存問題 → AI如何改善 → 如何控制風險 → 最終提升公共利益」一路推落去？

講得再激動，如果冇框架，都係散彈。

✅ 風險比較 > 單向吹捧

評判唔想聽「AI好犀利」或「AI好恐怖」，而係想知：「你哋點樣衡量利弊？邊個風險更難承受？」

例如反方唔使否定所有AI用途，可以話：「我哋唔反對AI做交通分析，但一旦涉及人身自由或資源分配，風險回報完全唔抵。」

✅ 公共利益導向 > 技術細節炫技

成日有隊伍狂背AI原理，話「我哋用deep learning with transformer架構……」
問題：評判又唔係考你computer science exam。

重點係：對社會有冇益？對弱勢公不公？制度穩唔穩？

🏆 最終勝負判準通常係：

「邊方提出更可行、更可控、更能保障問責與正義嘅治理模式？」

換句話講，評判揀嘅唔係「支持定反對AI」，而係「邊方更值得信任去管理呢項技術」。

2.5 正方／反方優勢與弱點圖

為咗方便備賽，我哋將雙方喺四大維度嘅強弱畫出對比：

🎯 切入角度建議：

• 正方：由「制度改良」切入，唔好話「取代人類」，而係「協助人類做得更好」。強調「受監管嘅AI」比「黑箱官僚」更透明。
• 反方：由「權力本質」切入，話「治理唔係計數，係價值選擇」。用「弱勢群體風險」作為道德高地，迫使正方解釋點解願意犧牲少數人換效率。

記住：呢場辯論最終唔係AI定人類贏，而係邊方能夠提出一個更值得信任、更具韌性、更能問責嘅公共治理願景。

下一章，我哋會深入拆解點樣建立一套完整、連貫、有說服力嘅論證體系——由定義到價值，由數據到結論，一氣呵成。

3 辯論體系講解

打辯論唔係鬥大聲，而係鬥條理。尤其係「AI參與政府決策」呢種跨領域議題，一旦失焦，就會變咗一場「科技吹噓大會」或者「末日預言大賽」，評判睇完只想瞓覺。

真正高段位嘅辯論，係有一套自洽嘅論述體系：由你點樣定義事物，到你用乜標準比較雙方，再到你最終想帶出咩價值，全部都要環環相扣。呢一章，我就教你點樣砌出一條「打唔爛」嘅論證鐵鏈。

3.1 雙方主線策略：你嘅故事點開始？

每場精彩辯論，其實都係兩套「敘事」之間嘅角力。正反雙方都要問自己一句：
「如果我哋贏咗，我哋其實係爭取到個點樣嘅世界？」

正方主線：制度進化論 —— AI 係治理現代化嘅必要工具

正方唔應該將自己塑造成「科技狂人」，而係「制度醫生」。你哋嘅核心敘事應該係：

「現行政府決策制度有病：拖沓、腐敗、資訊封閉、受既得利益操控。AI 並非取代人類，而係一種『免疫系統』，幫助我們排除干擾，做出更理性、精準、公平嘅選擇。」

貫徹策略：
- 每次講AI好處，都要綁返去「改善現有缺陷」。例如：「正因為官員審批福利容易歧視少數族裔，先至需要AI確保形式平等。」
- 強調「人在最終把關」，AI只處理「可量化、重複性高」任務，避開道德兩難。
- 主張「唔用AI」先至係最大風險 —— 等於容忍現狀嘅不公同低效。

👉 記住啦：你哋唔係話「機械人做特首先好」，而係「點解拒絕一個可以減少錯誤同偏見嘅工具？」

反方主線：權力本質論 —— 決策背後係價值選擇，唔係數據計算

反方亦唔好扮成「反智分子」，成日驚AI造反。你哋嘅真正殺手鐧，係指出一個簡單但深刻嘅問題：

「點解我哋要選舉？點解要議會辯論？因為政策唔單止關於『點樣做有效』，仲關於『點樣做正確』。而『正確』，涉及價值排序、歷史責任、群體和解 —— 呢啲，係算法永遠計唔出嘅。」

貫徹策略：
- 將AI定位為「技術理性入侵政治領域」，扭曲了民主本質。
- 強調「透明」唔等於「可問責」：就算你公開code，市民依然無法質詢一部server。
- 用弱勢群體作道德支點：「當AI拒絕一個露宿者申請公屋，背後嘅『風險評分』由邊個設定？邊個負責？」

👉 換句話講：你哋爭嘅唔係「AI犀唔犀利」，而係「點樣嘅決定，應該交比無需向人民負責嘅系統來做？」

3.2 關鍵詞精確定義：統一術語，先至打得著

比賽入面最災難嘅情況，就係正方話「參與」係「拎報告」，反方即刻反駁「你咪話AI宣戰呀！」—— 兩邊根本唔喺同一條跑道。

所以，隊內準備時必須統一定義以下關鍵詞，仲要用嚟質詢對手：

💡 貼士：一開場就可以要求對方澄清「你方所指『參與』，是否包含自動化決策？」 —— 咁樣一來，對方如果後尾想升級定義，你就即刻call out「你方改變辯題範圍！」。

3.3 比較標準與衡量指標：評判心中把秤

評判唔會憑感覺判勝負。佢哋心底有把秤，一邊放「公共利益」，一邊放「潛在風險」。你要主動提出比較標準，先至可以主導遊戲規則。

推薦三大比較標準（任選其一作主軸）

✅ 標準一：風險可控性 vs. 效益可驗證性

• 正方可主張：「AI帶來嘅效率提升同錯誤減少係可量度、可驗證（例如審批時間縮短40%）」
• 反方可反擊：「但一旦出錯（如誤標高風險家庭），後果不可逆，且責任難追 —— 呢啲風險根本無法事先量化。」

📌 適合技術導向比賽，強調實證精神。

✅ 標準二：民主正當性 vs. 治理效能

• 反方可主張：「即使AI好高效，但重大資源分配若無民意授權介入，會侵蝕制度合法性。」
• 正方可回應：「效率本身都係一種正義 —— 當長者等緊送飯服務，你仲要議會辯論三個月先至撥款？」

📌 適合哲學或政治學背景比賽，突出價值衝突。

✅ 標準三：制度改良性 vs. 權力轉移性

• 正方可說：「AI只係優化既有流程，唔改變權力結構。」
• 反方可駁：「任何持續性自動決策，都會形成『事實自主』，最終架空人類決策者 —— 路徑依賴不可逆。」

📌 適合高階比賽，探討長期制度演變。

⚠️ 重要提醒：千祈唔好讓比賽變成「吹捧AI」或「恐嚇AI」！一早就確立標準，令交鋒集中喺「點樣衡量好壞」，唔係「有冇可能出事」。

3.4 核心論點模板：四招基本功，一學就會用

以下係四種模組化論點框架，你可以根據情境自由組合，快靚正地建立立論。

🎯 模板一：效益論（正方主力）

「現行制度喺【X領域】存在【Y問題】（如拖延/偏見），導致【Z後果】（如弱勢被忽略）。引入AI作為【具體角色】（如初審篩選），已喺【案例】證明可以【具體成效】（如處理時間減半、誤判率下降）。因此，為提升公共服務質素，應允許AI參與。」

🔸例：「現行福利審批因人力不足導致輪候達6個月，愛沙尼亞引入AI初審後，80%合資格申請7日內完成，顯示AI可解決行政瓶頸。」

🛡️ 模板二：風險論（反方主力）

「雖然AI喺【X功能】看似有效，但其【黑箱性／偏見複製／問責斷裂】特性，構成【系統性風險】。一旦發生【極端但合理情境】（如大規模誤標高風險），將引發【不可逆社會傷害】，且【無人可究責】。因此，不應允許AI參與涉及【基本權利】之決策。」

🔸例：「荷蘭SyRI系統本為打擊福利詐騙，卻因數據偏差系統性針對低收入社區，最終被法院裁定違憲 —— 技術善意唔代表結果正義。」

⚖️ 模板三：權責論（雙方皆可用）

「任何具有【法律效力】之決策，必須有明確【責任主體】承擔後果。AI無法被問責、無法解釋、無法道歉。若容許其獨立決策，即等同建立『問責真空』，違反法治原則。」

🔸反方用嚟守住紅線；正方可回應：「責任始終歸於採用該系統之官員，AI僅為工具。」

🔁 模板四：可替代方案論（反方破局技）

「你方主張AI解決【X問題】，但其實有更低風險方案：如【增加人手／改革現行流程／加強公民參與】。投資AI反而分散資源，阻礙更深層制度改革。」

🔸例：「與其用AI審批公屋申請，不如培訓更多社工進行實地評估 —— 既保障尊嚴，又創造就業。」

3.5 價值落腳點與終局主張：你到底為誰而戰？

最後結論，唔可以停喺「AI有用／危險」呢層。你要將技術討論，升華成對理想社會嘅想像。

正方終局主張方向：

「我哋爭取嘅，係一個更精準、更少偏見、更及時反應人民需要嘅政府。AI唔係敵人，而係幫助我哋實現『形式正義』嘅工具。拒絕AI，等於默認現存不公可以繼續存在。」

🎯 價值落腳：理性治理、技術正義、效率即仁慈

反方終局主張方向：

「我哋捍衛嘅，係一個由人作出選擇、向人解釋理由、由人承擔後果嘅政治秩序。當決定命運嘅權力交比無法溝通嘅系統，民主就只剩下形式。我哋唔怕科技落後，只怕人性失落。」

🎯 價值落腳：人類尊嚴、民主問責、溝通理性

💬 總結一句：
呢場辯論表面講AI，實則問我哋：
「我哋點樣定義『好嘅管治』？係由數據話事，定係由人話事？」
準備好你嘅答案，先至打得有重量。

4 攻防技巧

打辯論，有時唔係邊個道理真，而係邊個「打得聰明」。尤其面對「AI參與政府決策」呢類技術性議題，一不小心就會墮入術語迷宮，或者被對方用「高效」「先進」嚇窒。

真正高段位嘅攻防，唔係嗌大聲，而係用精準問題刺穿邏輯漏洞，用清晰套路瓦解對手敘事，用恰當數據加固自己陣地。以下三招，教你由「識講」晉升至「識打」。

4.1 關鍵問句與質詢清單：用問題砌成牢籠

好多辯手質詢時淨係問「你有冇考慮風險？」——太曖昧，對方一句「我哋有監管機制」就擋返。高手質詢，係用問題連環扣，逼對方自相矛盾。

以下係針對三大核心爭議設計嘅「致命三問法」，每一組都由淺入深，最後推向價值崩潰：

🔹 關於「透明度」：由技術問到問責

「你話AI係透明，咁請問：
（1）一般市民申請福利被AI拒絕，有冇權知道『點解』？
（2）如果官員自己都解釋唔到AI點計出呢個結果，佢點樣為決定負責？
（3）既然連人都唔知AI點想，點解我可以信任呢個系統比人類審批更公正？」

👉 這組問題由程序權利切入，直插「問責斷裂」核心。就算對方答到第一問，第二、三問往往會漏氣。

🔹 關於「效率」：由速度問到代價

「你話AI加快決策，咁我想問：
（1）快咗幾耐？有冇實際數據比較？
（2）但效率提升之際，有冇統計過錯誤率上升？特別係對少數族裔或非標準家庭？
（3）如果有一個基層阿婆因為AI誤判失去綜援三個月，你覺得『快咗兩星期』值得嗎？」

👉 呢組問題唔否定效率，但強調「效率唔係唯一價值」。第三問用具體人物命運作對比，將抽象討論拉返落公共利益。

🔹 關於「安全」：由防禦問到脆弱

「你話AI可以加強國家安全，咁請回答：
（1）如果敵對方入侵呢套AI系統，扭曲數據令我方誤判威脅，後果點算？
（2）軍事AI自動選擇攻擊目標，萬一錯殺平民，責任歸邊個？程式員？指揮官？定係AI？
（3）你肯唔肯用同一套『安全AI』去審批你自己家人嘅醫療資助？」

👉 第三問最狠——將對方支持嘅技術，套落佢身邊人身上。一旦出現雙重標準， credibility 即刻破產。

✅ 小貼士：質詢唔使問晒三條！視乎對方立論，選一條最能引爆漏洞嘅就行。記住：好問題唔係求答案，而是令對方開始懷疑自己。

4.2 常用駁論套路：四招拆盡花巧包裝

好多時候，對方論點表面堅固，其實內裡空心。以下四種駁論套路，專治各種「科技光環」同「數據煙幕」。

🎯 因果反駁：拆「快＝好」嘅迷思

正方常話「AI快，所以好」，但快同好之間未必有因果。

→ 反駁示範：
「對方話AI審批快，所以應該推廣。但速度快，就一定正確嗎？核電站反應爐關閉程序都可以極速完成——如果出錯，就係瞬間災難。快，唔係免死金牌；反而愈快嘅系統，愈需要慢嘅問責機制。」

👉 將「速度」連結至「不可逆後果」，扭轉價值排序。

🔍 證據質疑：問「點解信？」

對方拋數據：「新加坡AI系統成功率92%！」即刻問：「點樣計？邊個驗證？」

→ 反駁示範：
「你引述某研究話AI減少偏見，但有冇諗過，呢個『偏見』係點定義？如果訓練數據本身就來自一個歧視性制度，咁『減少偏見』只不過係將舊有不公，包裝成科技中立？」

👉 揭露「數據正義」背後可能係「歷史不義」的延續。

🌪️ 場景顛覆：由理想跌落現實

對方假設AI完美運作？即刻將情境拉去極端但合理場景。

→ 反駁示範：
「你話AI可以客觀評估政治庇護申請，咁如果申請人來自一個被AI判定為『低可信度國籍』的地方，即使有真實迫害證據都照拒——呢個係公正，定係制度暴力？」

👉 用「合理但殘酷」嘅場景，暴露演算法嘅道德盲點。

⚖️ 價值取捨：逼對方「二揀一」

終極殺着：要求對方承認某種價值必須犧牲。

→ 反駁示範：
「我明白你追求效率，但請你直接回答：
如果必須喺『100%透明但慢啲』同『快但黑箱』之間二揀一，你會點選？
如果你揀快，咁你其實係話『公民知情權』可以讓路畀『行政效率』——呢個價值排序，你準備好向公眾交代嗎？」

👉 將技術討論昇華至治理哲學，迫使對方暴露底線。

✅ 重要提醒：駁論唔係為咗「贏一回合」，而係為咗「定下整場基調」。每次反駁，都要拉返去你方核心主張——例如反方要不斷繫於「人類把關」，正方則要扣回「制度改良」。

4.3 數據與案例運用技巧：唔好變咗「數字奴隸」

好多隊伍以為「夠數據＝夠強」，結果一路唸數字，評判眼瞓。真正高手用數據，唔係「堆」，而係「釘」——每一組數字，都要釘死一個論點。

✅ 正確示範：用數據講故仔

唔好講：「根據OECD報告，AI提升政府效率平均23.7%。」

要講：
「23.7%效率提升聽落厲害，但呢個數字背後，係荷蘭SyRI系統以『預測犯罪』為名，大規模監控低收入社區。最終法院裁定違憲——原來『高效』嘅代價，係將窮人當成潛在罪犯。所以問題唔係有冇數據，而係『為誰高效？代價由邊個付？』」

👉 數據變咗引子，故事先至係武器。

❌ 常見錯誤：過度依賴黑箱數字

例如：「我哋團隊開發嘅AI模型準確率達95%！」
問題：邊度驗證？用乜數據？「準確」點定義？

→ 反方可以即刻反擊：
「95%？咁5%錯誤影響幾多人？如果係審批長者藥費，5%即係一千個阿公阿婆食緊唔到藥——你哋嘅『高準確率』，係建立於邊緣群體嘅痛苦之上。」

🔑 案例使用三大原則：

1. 唔使多，要深：熟讀2–3個核心案例（如SyRI、COMPAS、愛沙尼亞電子政府），比硬背十個更有用。
2. 要反例：準備「失敗案例」反擊正方成功故事。例如對方講新加坡智慧城市，你就提「但新加坡亦因面部識別擴權引發隱私爭議」。
3. 要本地連結：如果比賽在香港，可以問：「你哋支持AI審批公屋？咁點解房屋署連現有輪候冊都管理混亂？」

✅ 總結一句：數據同案例唔係你嘅主人，而係你嘅僕人。你要控制佢哋服務論點，唔好俾佢哋控制你變成數據朗誦機。

5 環節任務

一場高段位辯論，唔係四位辯手輪流「講道理」，而係一次精密嘅集體敘事工程。每個人嘅發言都應該好似砌 Lego 噉，一塊接一塊，最終組成一幅完整圖像。

如果你哋一開口就各自為政——有人吹效率、有人怕AI造反、有人突然講哲學——評判只會覺得你哋準備不足，團隊協作零分。

所以，由第一分鐘開始，就要有「整體劇本意識」。以下就教你點樣由架構設定、分工到話術，一步步打造一支打得贏嘅隊伍。

5.1 整場論證架構設定：由地基到屋頂，步步為營

想像你哋要起一棟樓。
一辯係打地基，二三辯係建牆同裝窗，結辯就係封頂加裝修。缺咗任何一環，層樓都會倒。

正方常見成功架構（以制度改良為主軸）

主軸：AI唔係取代人類，而係幫政府克服現有缺陷——拖延、腐敗、偏見。

• 一辯：定義 AI 為「數據驅動輔助工具」，強調應用於技術性領域（如交通、醫療資源分配）。提出「問責機制 + 人工否決權」作為安全網。
• 二辯：用實證展示效益——例如愛沙尼亞電子政府如何縮短行政流程 70%，且錯誤率低於人工。
• 三辯：預防反方攻擊——主動承認黑箱風險，但指出「可解釋 AI」（XAI）技術正在成熟，並建議設立獨立審計機構。
• 結辯：昇華價值——話我哋追求嘅係「理性治理」，而唔係盲目抗拒科技。拒絕AI，等於容忍現行制度繼續傷害弱勢。

反方常見成功架構（以權力本質為核心）

主軸：決策唔單止係「計數」，而係價值選擇；交比AI，就係放棄政治責任。

• 一辯：界定「參與」包含自動執行，強調即使係初審，一旦形成慣性就會侵蝕人類把關空間。引用荷蘭 SyRI 案例說明系統性歧視風險。
• 二辯：深化問責問題——舉英國 Windrush scandal，話當官僚推卸責任畀「系統指令」，正義根本無從追究。
• 三辯：顛覆對方案例——例如對方講新加坡智慧城市高效，你就指出其面部識別監控政策已引發人權爭議，反映「效率」背後代價。
• 結辯：回到民主根基——話真正嘅進步唔係靠更聰明嘅機器，而是加強公民參與、提升公務員素質。寧願慢啲，都要清清楚楚知道邊個話事。

關鍵提醒：

• 開場必須快啲落錨：頭 30 秒就要講明你哋點理解「參與」同「政府決策」，防止對方偷換概念。
• 中段要有攻有守：唔好一味 defending 自己論點，要主動挑戰對方前提——例如問：「你哋支持 AI 審批福利，咁點解唔支援 AI 決定特首選舉候選資格？如果唔肯，界限喺邊？」
• 結尾必須收窄勝利條件：結辯唔係重複全文，而係要話：「今場關鍵唔係科技先進與否，而在於我哋願不願意守住『人要為決定負責』呢條底線。」

5.2 各辯位任務分配：每人做好一件大事

每位辯手只有幾分鐘，千祈唔好想「全部講晒」。記住：專注先至有力。

一辯：框架奠基者（任務優先度：定義 > 主張 > 初證）

• 首要任務：清晰界定關鍵詞（AI、參與、政府決策），建立己方遊戲規則。
• 次要任務：提出 1–2 條核心主張，每條附簡單例子（例如「AI 可減少人為延誤，如澳洲稅務局自動退稅系統」）。
• 禁忌：唔好一開口就講十個好處！集中火力打好地基先。

✅ 成功示範節奏：
「主席、各位評判、對方辯友：
我哋認為『人工智能參與政府決策』，應理解為『在人類監督下，使用算法協助處理高重複性、數據密集型公共事務』。
基於呢個定義，我哋主張兩點：第一，AI 能大幅提升治理效能，特別係在資源分配上避免人為偏頗；第二，只要設有透明審計同上訴機制，風險完全可控。
舉例，芬蘭用 AI 分析長者健康數據，提前六週預測跌倒風險，令社福介入成功率上升 40%……」

二辯：攻防突擊手（任務優先度：駁論 > 補證 > 反擊）

• 首要任務：針對對方一辯內容，逐點拆解。唔好客氣，要快、狠、準。
• 次要任務：補充新證據或深化己方論點，特別係用反例反擊對方案例（例如對方講新加坡，你提 SyRI）。
• 技巧提示：可以用「對方忽略左…」「但現實入面…」開頭，自然過渡到反駁。

✅ 成功示範節奏：
「多謝對方一辯。但我要指出，你哋將『AI參與』描繪得過於理想化。
你哋話 AI 可消除偏見，但美國 COMPAS 系統恰恰證明，當訓練數據本身充滿歧視，AI 只會將『黑人被告高風險』呢種偏見自動化、合法化。
你哋話有問責機制，但請問：當一位母親因 AI 判斷『家庭環境高危』而被剝奪撫養權，她應該告邊個？寫程式的 engineer？定係跟住報告行事嘅社工？」

三辯：戰略壓制者（任務優先度：預防 > 升維 > 控場）

• 首要任務：預判對方結辯可能提出嘅終極價值，提前瓦解。例如對方想講「民主正當性」，你就要話「現行制度本身就唔夠民主，點解唔用 AI 提升透明度？」
• 次要任務：引入更高層次思考，例如制度路徑依賴、「技術合理化」如何掩蓋政治逃避。
• 加分動作：自由辯論期間積極搶麥，用一句到位嘅問題逼對方陷入兩難。

✅ 成功示範節奏：
「對方一直假設 AI 是額外風險，但其實最大風險，係我哋繼續容忍一個每年因官僚延誤導致數百人錯失醫療援助嘅制度。
你哋反對 AI，係咪代表你哋支持現狀？如果唔係，你哋嘅替代方案又係乜？培訓更多公務員？等十年？
科技唔係問題根源，政治意志先至係。」

結辯：價值收官者（任務優先度：回收 > 對比 > 升華）

• 首要任務：全面回收全場攻防，指出對方邊啲論點未被證實、邊啲已被推翻。
• 次要任務：比較雙方框架，說明點解自己一方嘅價值排序更符合公共利益。
• 終極任務：將議題由「科技用唔用」提升至「我哋想要個咩樣嘅社會」。

✅ 成功示範節奏：
「主席，今晚關鍵唔係 AI 厲害唔厲害，而在於我哋點樣理解『治理』呢兩個字。
對方不斷強調風險，但從來冇解釋，點解面對一個明明可以拯救生命、減少浪費嘅工具，我哋要選擇原地踏步。
我哋唔係要 AI 做皇帝，而係要佢做一把刀——刀本身無善惡，重點係握刀嘅人有無制度約束。
拒絕進步，唔係謹慎；係懦弱。」

5.3 每環節關鍵話術要點：講得出，先至贏得到

有內容唔夠，仲要有方法表達。以下係經過無數場比賽驗證、即學即用嘅話術模板，記熟幾句，臨場自信十足。

開場常用句式（穩陣定調）

• 「我哋必須首先釐清，今場討論嘅『AI參與』，並非指機械人坐上議員席，而是……」
• 「對方可能擔心 AI 會奪權，但事實係，現階段所有政府 AI 系統，都係由人類設計、部署同監督。」
• 「我哋唔否定風險，但問題係：風險可唔可以控制？代價可唔可以接受？而現行制度嘅代價，往往更加沉重。」

反駁常用句式（直插要害）

• 「對方用『黑箱』嚇人，但請問：有幾多人明白財政預算案點計？複雜唔代表不能監督。」
• 「你哋話 AI 會犯錯，但人工審批就唔會？過去三年，XX 地區因官員疏忽導致福利延誤案件上升 25%。」
• 「你哋反對 AI 審批，咁你哋支持點樣改革現行制度？等多十年人工處理？」

質詢殺著（自由辯論用）

• 「請對方明確回答：你哋反對嘅，係所有層級嘅 AI 參與，定係某個特定程度？如果係前者，你哋點解接受 GPS 導航協助警車出勤？」
• 「假設有一套 AI 可以百分百準確預測疫情爆發，但需要收集市民行蹤數據——你哋會用嗎？如果唔會，你哋寧願犧牲幾多人命去保『純粹人類決策』？」
• 「你哋話要保護弱勢，但如果 AI 能夠更快發現受虐兒童，而你哋反對，咁受害嘅，唔正正就係弱勢？」

結尾昇華句式（打動評判）

• 「今場唔係科技 vs. 人性，而係進步 vs. 守舊。我哋選擇相信制度可以改良，而非恐懼一切改變。」
• 「AI 點樣參與政府，決定咗我哋點樣看待正義——係交比冰冷程式，定係透過公開討論、共同承擔？」
• 「我哋唔怕 AI 太聰明，我哋只怕人類太懶惰，用『風險』做藉口，逃避改革責任。」

最後送大家一句：
最好嘅辯論，唔係令對方閉嘴，而係令評判覺得，你哋所描繪嘅世界，更值得嚮往。

6 辯論演練範例

真正嘅辯論高手，唔係識得背資料，而係識得喺壓力之下仍能守住框架、精準出招。以下我哋會模擬一場關於「人工智能應唔應該參與政府決策？」嘅完整交鋒，由立論、駁論、自由辯到總結，全部按真實比賽節奏設計。

你可以攞呢段做「配音腳本」，隊員分角式演練；亦可以當成「思維地圖」，學習每一環節該點鋪排、點進攻。

6.1 正方立論範例：制度進化，唔係政變

（以下為正方一辯開場陳詞）

各位評判、對方辯友：

今場辯題關鍵唔係「AI做特首先好」，而係「面對日益複雜嘅社會問題，我哋肯唔肯用新工具提升治理能力？」

我哋主張：人工智能應該有限度、受監管地參與政府決策，尤其係技術性高、情緒干擾少、結果可驗證嘅公共服務領域。

第一，AI可以補足人類決策盲點

人會疲勞、會偏見、會拖延。美國某州引入AI協助法官審批保釋申請後，發現系統比人類更準確預測被告潛逃風險，而且黑人被告被錯誤拘留率下降近20% —— 呢啲唔係冷冰冰數據，而係代表廿個原本可能無故坐牢嘅生命。

愛沙尼亞政府全面電子化十年，99% 政務網上完成，平均審批時間由七日縮短至四小時。邊個得益？係每日奔波蓋章嘅基層市民。

第二，AI唔係取代，而係強化人類把關

我哋所講嘅「參與」，係第一級同第二級：顧問型同輔助型。例如新加坡用AI模型分析疫情傳播路徑，提供封區建議，但最終決定權始終喺衞生部手上。

更重要嘅係，我哋要求三大保障機制：
1. 算法透明原則：核心邏輯必須公開接受獨立審計；
2. 人工否決權：任何重大或異常個案，必須有人類覆核；
3. 追蹤與修正機制：設立「AI錯誤通報平台」，持續優化系統。

最後，價值落腳：理性治理先係最大仁政

對方可能會話「機器冇人性」，但我哋想問：一個因為官員疏忽遲遲收唔到綜援嘅獨居長者，同一個因AI快速識別而即時獲得幫助嘅家庭，邊個先係真·人性？

效率本身係一種公平。當資源有限，點樣分配先係最公正？靠運氣？靠關係？定係靠數據驅動嘅客觀標準？

我哋相信，善用AI，唔係放棄人文關懷，而係將有限善意，精準送到最需要嘅地方。

正方陳詞完畢。

6.2 反方立論範例：權力屬於人民，唔屬於算法

（以下為反方一辯開場陳詞）

多謝主席。

對方話「AI只係工具」，但歷史教過我哋：一旦制度開始依賴某種力量，嗰種力量就會慢慢變成主宰。

我哋反對人工智能參與政府決策，特別係涉及資源分配、個人權利、社會評價等中高敏感領域。唔係因為我哋恐懼科技，正正因為我哋重視科技影響，先要踩住煞車。

第一，問責制度會被徹底瓦解

如果AI拒絕你嘅公屋申請，你去邊度申訴？你要求見「審批官員」，對方話：「我都唔知呀，AI話你收入不穩定。」你再問開發團隊，對方答：「我哋訓練咗模型，但具體點計出嚟……真係解釋唔到。」

英國「Windrush scandal」事件中，移民局用自動化系統剔走數千名合資格居民身份，結果搞到人哋失去工作、醫療、甚至被遣返。事後追究，冇人認錯 —— 因為「大家都跟程序」。

程序背後係AI？咁就連程序都變咗黑箱。

第二，AI係歷史偏見嘅複製機

對方話AI可以消除歧視，但現實恰恰相反。美國COMPAS刑事評估系統，被ProPublica調查發現：同樣風險分數下，黑人被告被標籤為「高再犯風險」機會係白人兩倍以上。

點解？因為訓練數據來自過去充滿種族歧視嘅司法紀錄。AI學緊「點樣執法」，就等於學緊點樣延續不公。

當政府用呢種系統審批福利、派位學校、評估社工介入需要，其實就係將舊時代嘅階級與種族鴻溝，用科技包裝成「客觀標準」。

第三，替代方案存在，點解要冒險？

我哋唔係主張倒退。我哋支持加強公務員培訓、推動開放數據、建立公民參與平台。例如芬蘭「Open Ministry」計劃，讓市民共同起草法案，成功通過《交通服務法》。

比起將權力交比難以理解、無法問責嘅黑箱系統，點解唔選擇一條更民主、更透明、更能凝聚共識之路？

最後我想問：
政策決策，究竟係一場數據計算，定係一場價值選擇？

當我哋決定邊個值得援助、邊個需要保護、邊個應該獲得機會 —— 呢啲從來唔係純技術問題，而係政治責任。

將呢份責任交比機器，唔單止係技術誤用，而係對民主根基嘅背叛。

反方陳詞完畢。

6.3 駁論與質詢實操

（正方二辯駁反方立論）

對方話「AI會瓦解問責」，聽落驚人，但係咪將少數失敗案例放大成全面禁令？

我承認AI有風險，但所有制度都有缺陷 —— 你會因為有貪官就廢除整個政府嗎？關鍵係點樣設計機制去控制風險。

對方引用COMPAS系統，但有冇提過美國多地已經改革：紐約市現行保釋制度已禁止使用商業風險評估工具，改用公開、可檢視嘅統計模型？

我哋主張嘅根本唔係「無監管AI」，而係「受控實驗 + 漸進應用」。例如先喺垃圾收集路線優化、空氣質素預警等低風險領域試行，驗證成效再擴展。

反而我想問對方：
如果你哋堅持「凡有風險就唔可以用」，咁點解容許人類官員憑主觀判斷審批數十億撥款？佢哋又幾時被問責過？

➤ 質詢時間：致命三問之一（針對「黑箱」迷思）

Q1：你話AI黑箱所以不能信，但現有官僚決策流程幾時公開過內部會議記錄？點解我哋可以容忍「人類黑箱」，卻要全面封殺「技術黑箱」？

Q2：如果我哋發展「可解釋AI」（Explainable AI），例如用決策樹顯示每一步推理依據，咁你仲會反對嗎？

Q3：假設有一套AI系統，能夠即時追蹤一百萬長者用藥情況，提前七日預警濫用風險，成功率達85%，你會因為「解釋唔清」而拒用，等到有人出事先處理嗎？

6.4 自由辯論與總結陳詞範例

【自由辯論片段】（節錄關鍵交鋒）

正方三辯：
對方一直將AI想像成「獨裁機器人」，但現實中我哋討論嘅係「AI as assistant」！連Google Map都可以幫你決定邊條路快啲，點解政府唔可以有類似工具？

反方二辯：
地圖導航同政策決策差天共地！你選錯路最多遲到十五分鐘；但AI錯誤標籤一個家庭「虐兒風險高」，可能導致細路被帶走、父母入獄、一生毀晒。你哋口口聲聲「低風險試行」，但一旦制度形成，點止得返？

反方三辯：
對方話「可以修正」，但修正是要代價㗎！等AI犯錯先去改，即係用弱勢群體嘅人生做實驗品。我哋唔反對科技，我哋反對「以正義為代價換效率」。

正方二辯：
咁你哋主張嘅「完美人類決策」存在嗎？香港公屋輪候冊積壓超過二十萬宗，有人等足七年都未上樓 —— 喺呢個現實面前，仲要堅持「寧慢唔快、寧錯唔用」，係理想主義，定係殘忍？

【正方結辯】

各位評判：

今場比賽，表面爭AI，實際爭緊兩個世界觀：

一方認為，好政府應該係「永不犯錯嘅聖人」；
另一方相信，好政府應該係「不斷學習、持續改善嘅系統」。

我哋選擇後者。

我哋唔否認風險，但風險唔係拒絕進步嘅藉口。火會燒死人，所以我哋滅絕用火？電會觸電，所以我哋拆哂電線？

關鍵係點樣安全使用。

我哋提出三道防線：獨立審計、人工否決、錯誤回報。我哋聚焦技術性領域，唔碰核心政治決策。我哋參考國際實踐，唔做閉門實驗。

而對方所描繪嘅「純粹人性治理」，只存在於教科書。現實是：官僚怠惰、資訊封鎖、裙帶關係 —— 才係日常。

AI唔係答案，但可以係解題工具之一。

請問評判：
當一個母親因為AI快速識別產前風險而保住胎兒，
當一個社區因AI預警水浸而提早疏散，
當一個貧困學生因公平派位制度獲得優質教育機會 ——

呢啲成果背後，難道唔正正係科技賦予嘅新形式人文關懷？

我哋唔求完美，只求更好。
唔求取代人類，只求超越局限。

支持AI有限參與政府決策，唔係向機器低頭，
而係向更公正、更有效、更負責任嘅治理，邁進一步。

正方結辯完畢。

【反方結辯】

各位評判：

對方話「科技無法阻止，不如擁抱」，但歷史告訴我哋：每一次重大技術擴張，都要有人站出嚟問一句：「應該嗎？」

AI參與政府決策，唔係簡單工具升級，而係權力結構轉移。

今日話「只係建議」，明日就「自動執行」；
今日話「只係交通燈」，明日就「評估你係咪高危市民」。

荷蘭SyRI、英國Windrush、美國COMPAS —— 幾十個國家嘅教訓證明：
一旦制度開始用「效率」合理化監控與排除，受害者永遠都係最無力反抗嘅一群人。

對方話「可以監管」，但監管追唔上創新速度。
當AI已經審批完十萬宗申請，錯誤先被發現，咁時「改正」又有乜用？傷害早已造成。

我哋唔反對數據分析，我哋反對將「決策權」外包。
我哋支持智慧政府，但智慧唔應該來自黑箱，而應該來自公民討論、公務員專業同政治問責。

比起依賴一部解釋唔到嘅機器，
我哋寧願要一個會犯錯但肯道歉、會緩慢但願聆聽、會掙扎但始終承擔責任嘅人類政府。

因為治理，從來唔係計算，而係承諾。
係對每一個人尊嚴嘅承諾，
係對每一份苦難理解嘅承諾，
係對「我哋共同生活點樣可以更好」嘅承諾。

呢份承諾，必須由人來背負，
而唔能夠，也不應該，
交比一台機。

反方結辯完畢。

7 證據與案例庫（附錄）

打辯論唔可以「靠估」，尤其科技議題，評判聽到「據我所知……」就即刻扣分。你哋需要硬資料、真案例、權威來源，先至打得有說服力。

呢個附錄就係你哋嘅「彈藥倉」——收錄咗最常用、最有殺傷力嘅政策先例、研究報告同案例摘要。記住：唔使背晒，但一定要熟讀其中2–3個，做到自由辯論時一句拎出嚟，對方即刻啞口無言。

7.1 國內外政策與先例

以下案例按「參與程度」由低到高排列，方便正反雙方根據自己定義去引用或反駁。

🇪🇪 愛沙尼亞｜電子政府先驅：AI做「隱形公務員」

自2000年代起全面數碼化，99%政府服務網上完成。AI主要用於：
- 自動核對稅務申報數據
- 預測醫療資源需求
- 提醒市民更新證件

✅ 正方可引：證明AI可以大幅提升效率，減少人為錯誤。
❌ 反方可反駁：系統依賴極高，一旦網絡攻擊（如2007俄羅斯式DDoS），全國癱瘓；而且公民無得揀「純人工服務」，變相強制接受黑箱流程。

💬 可引用句式：「愛沙尼亞人唔驚AI管政府，因為制度設計確保『人在迴路』——但問題係，幾多地方有呢種底氣？」

🇸🇬 新加坡｜智慧城市：AI走入民生日常

「Smart Nation」計劃中，AI廣泛應用於：
- 用感應器+AI預測長者跌倒風險，自動通知社工
- 分析交通大數據，實時調整巴士班次
- AI助審批建築圖則，縮短時間由數月變數週

✅ 正方可用：顯示AI喺技術性領域極有效，且有清晰監管框架（如《AI治理指南》）。
❌ 反方反擊：面部識別系統擴張引發隱私恐慌，2021年警方承認用AI追蹤示威者，被指侵權。證明「由善開始，未必善終」。

💬 可引用句式：「新加坡話AI只係工具，但當工具開始決定邊個家庭需要社工上門，咁已經唔係工具，而係社會控制。」

🇳🇱 荷蘭｜SyRI案：AI監控窮人，法院叫停

政府用AI系統「Social Risk Indication」（SyRI）分析低收入社區居民數據（住址、收入、社交關係），預測福利詐騙風險。

💥 結果：2020年海牙法院裁定違憲，理由：
- 缺乏透明度，市民唔知點解被標籤
- 數據偏見導致系統性歧視弱勢群體
- 政府無法解釋AI點計出「高風險」

✅ 反方王牌案例：證明即使出發點係防 fraud，AI都會變成「窮人雷達」。
❌ 正方可防守：問題唔在AI，而在設計——如果公開算法、設獨立審計，就可以避免。

💬 可引用句式：「荷蘭法院話：『不能因為科技新，就放棄法治原則。』AI再聰明，都唔可以剝奪一個人解釋自己嘅權利。」

🇬🇧 英國｜Windrush scandal：官僚黑箱 vs AI黑箱

雖然唔係AI直接決策，但極具參考價值：數十年來，數百名合法居留加勒比移民因政府「自動化檔案清理」失去醫療、工作、甚至被錯誤遣返。

💥 教訓：
- 官員話「系統自動處理，唔關我事」
- 缺乏人工覆核機制
- 最終釀成人道危機

✅ 反方可用：就算冇AI，自動化系統都可以搞出問責真空；加入AI只會更複雜。
❌ 正方可反駁：正正因為冇AI介入分析風險，先至錯漏百出——如果用AI預警「邊啲個案可能出錯」，反而可以防止悲劇。

💬 可引用句式：「Windrush教曉我哋：當官員學識講『我跟足程序』，災難就快嚟。AI唔係問題根源，缺乏人性同問責先係。」

🇨🇳 中國｜AI融入基層治理

多地試行AI協助決策，例如：
- 杭州「城市大腦」自動調節紅綠燈，宣稱塞車減少15%
- 深圳用AI審批工程項目，時間由30日減到3日
- 部分地區用AI評估教師表現、公務員績效

✅ 正方可引：展示大規模應用可行性，尤其喺基建、交通等技術領域。
❌ 反方強攻：系統缺乏獨立監督，數據來源不透明，評判標準封閉。例如教師評核AI，被揭用「課堂安靜度」作指標，變相鼓勵壓制學生發言。

💬 可引用句式：「中國話AI提升效率，但當效率建基於對個人行為嘅無限監控，咁效率本身已經變咗壓迫工具。」

🇺🇸 美國｜COMPAS刑事評估系統：AI歧視實證

佛羅里達州用AI工具COMPAS預測犯人再犯風險，影響保釋同刑期建議。

💥 ProPublica調查發現：
- 黑人被告被標籤「高再犯風險」機會比白人高兩倍
- 即使最終冇再犯，AI仍高估其風險
- 開發商拒絕公開算法，稱「商業機密」

✅ 反方必殺技：證明AI唔單止反映偏見，仲會放大偏見。
❌ 正方可辯：問題在訓練數據，唔在AI本身；新一代可解釋AI（XAI）已經可以追踪決策路徑。

💬 可引用句式：「COMPAS話黑人『好大機會再犯』，但真相係：美國司法歷史本身就歧視黑人——AI只係將呢啲不公，包裝成客觀數據。」

7.2 常用研究與數據來源

唔好亂引「某研究指出」，評判一定問：「邊個研究？邊度出？」以下係真正權威、公開、可信嘅來源，正反都可用。

📊 OECD AI Policy Observatory

• 網址：oecd.ai
• 特色：全球各國AI政策比較，有量化指標（如AI採用率、公眾信任度）
• 點樣用：
• 引用「公眾對AI政府應用信任度」排名，反駁「大家都支持AI管政」
• 對比不同監管模式成效

💬 例子：「OECD 2023年報告顯示，82%市民擔心AI做福利審批會出錯——對方話民意支持，點解數據完全相反？」

📘 歐盟《人工智能法案》（AI Act）

• 網址：eur-lex.europa.eu（搜尋 "AI Act"）
• 特色：全球最嚴格AI監管框架，將AI分風險等級，高風險系統（如招聘、教育、執法）需強制透明同問責
• 點樣用：
• 正方可引：證明高風險AI可以受規管
• 反方可反駁：法案明確禁止「實時面部識別」等政府用途，反映歐盟自己都驚

💬 例子：「連提倡創新嘅歐盟都要立法禁止AI用嚟監控市民，點解我哋仲要冒險？」

🔍 Nature / Science 期刊相關論文

• 推薦關鍵字搜尋：
• "algorithmic bias in public sector"
• "explainable AI governance"
• "AI and democratic accountability"
• 點樣用：
• 找近期研究支持「黑箱問題仍未解決」
• 引用實驗證明人類對AI建議過度信任（即使錯）

💬 例子：「《Nature》2022年研究發現，公務員睇AI建議時，錯誤接受率高達68%——AI冇做主，但已經操控緊人類。」

📈 世界銀行《數字政府報告》

• 網址：worldbank.org/digitalgov
• 特色：收集發展中國家電子政務數據，包括成本節省、服務覆蓋率
• 點樣用：
• 正方可引：AI如何改善偏遠地區醫療、教育資源分配
• 反方可反駁：報告同時警告「數碼鴻溝」加劇不平等

💬 例子：「世界銀行承認，自動化服務令基層市民更難申訴——科技進步，未必人人得益。」

7.3 案例快速摘要卡

準備比賽時，死背十個案例唔如熟透三個。以下三張「一頁卡」，夠你應付九成交鋒。

🃏 卡一：荷蘭 SyRI 系統

🃏 卡二：美國 COMPAS 系統

🃏 卡三：愛沙尼亞電子政府

記住：資料唔係用嚟堆砌，而是用嚟刺穿對方邏輯。
比賽前，每人拎一張卡，練到可以唔睇稿都講得出重點——到時自由辯論，你就唔會「呃呃呃」，而係「啪啪啪」連續引爆。