本所王琍瑩律師受邀為元照出版「月旦醫事法系列 - 人工智慧與相關法律議題」新書撰序，本書集結交通大學科技法律研究所陳鋕雄所長、台北醫學大學人文暨社會科學院楊哲銘副院長、台北醫學大學醫療暨生物科技法律所李崇僖所長的三篇專業論文，為人工智慧醫療與產業政策開啟對話。

王琍瑩律師序

Whoever can do good will do better with AI.
Whatever can go wrong will go worse with AI.

醫療領域的鐵三角 (Iron Triangle) 困境，幾乎是相關公共政策論述的必考題。供給 (Access)、品質 (Quality) 與成本抑制 (Cost Containment) 這三個政策目標往往相互牽制；增加供給，意味著降低品質或是提高成本，反之亦然。William Kissick 教授在 90 年代提出這個概念，直到人工智慧 (Artificial Intelligence; AI) 應用興起，才出現突破的契機。機器學習 (Machine Learning) 對於大量數據的精準解讀，可能改善醫療產業「勞力密集」的痛點，同時提高品質、降低成本。這不僅僅是指協助醫師進行臨床診斷與治療，也包括藉由智慧裝置延伸到民眾的自我保健與預後復健，更進一步促進預防醫學 (Preventive Medicine) 與遠距照護 (Telehealthcare) 的發展。

然而，所有機器學習的模型及成效，都取決於人為的建構。當歷史經驗存在偏見未經校正，演算法的產出就必定是偏見的重現。而醫療數據涉及基因、生物特徵、健康狀況等特種個資 (Special Categories of Personal Data)，更加突顯 AI 作為一種資料科學，在保障資訊隱私 (Data Privacy) 與追求精準醫療 (Precision Medicine) 之間的尷尬處境。因此，從 IBM Watson 到 Google DeepMind，技術領域不斷強調「可信任的人工智慧」(Trustable AI) 的實踐，而法律層面的論述，自歐盟一般個資保護規範 (General Data Protection Regulation; GDPR) 倡議以來，也逐漸成形。

AI 演算法對人類社會的影響既深且廣，各國政府陸續制定 Trustable AI 相關規範，要求強化演算法的公平性、當責性與透明性 (Algorithmic Fairness, Accountability and Transparency)，並賦予請求人為介入判斷的權利。其他非政府組織，包括經濟合作暨發展組織 (OECD)、世界經濟論壇 (WEF)、乃至於北京學界與科研單位等，也急切表態。只不過，工具本身雖然中立，其亦正亦邪卻是掌握在人類手裡。各界宣稱的價值究竟是誰的價值？議題的走向會趨於全球共識、抑或加深對立？值得我們深入觀察。誠如李崇僖所長在文中提到：「沒有什麼比人工智慧科技更能捕捉住這種學科匯流的場景」。我國醫界與法界在醫療法第82條有關醫事人員責任、藥事法第13條有關醫療器材等討論，業已建構長期良性互動，期待與人工智慧開發者社群的對話，由本書開始。