根據《Vox》深度報導，如果你想看「AI取代人類判斷」的未來長什麼樣子，不需要去矽谷的實驗室——去棒球場就好。

美國職棒小聯盟（Minor League Baseball）已經在多個層級全面測試「自動化好球帶」（Automated Ball-Strike System, ABS），也就是俗稱的機器人裁判。而這場實驗揭示的東西，遠超過好球和壞球的判定。

機器人裁判怎麼運作？

ABS 系統使用高速攝影機和雷達追蹤技術（類似 MLB 已經使用多年的 Statcast 系統），即時判定每一球是否通過好球帶。系統的判定結果會直接傳送到主審的耳機中——在目前的測試模式下，有兩種運作方式：

全自動模式：系統的判定就是最終判定，人類裁判只是宣布結果。 挑戰模式（Challenge System）：人類裁判照常判球，但打者和投手各有有限次數的「挑戰」機會，可以要求系統重新判定——類似網球的 Hawk-Eye 挑戰制度。

AI 做得比人類好嗎？

在「精確度」這個維度上，答案很明確：是的，而且差距很大。

根據 MLB 自己的數據，人類裁判在一場 9 局比賽中平均會做出約 140 次好壞球判定，其中約有 10 至 15 次「明顯錯誤」——也就是連肉眼回放都能看出判錯的。ABS 系統的誤差率接近零。

但「精確」不等於「更好的比賽體驗」。這正是這場實驗最有趣的地方。

意想不到的問題

《Vox》的報導深入分析了機器人裁判在實際運作中暴露的幾個非技術性問題。

好球帶的定義不是「客觀」的。 MLB 規則書上的好球帶定義是「打者準備擊球姿勢時，從膝蓋頂部到腰部中間的區域」。但每個打者的身高和站姿不同，「膝蓋頂部」和「腰部中間」是動態的——一個打者蹲低站位時的好球帶，跟他站直時完全不同。ABS 系統需要為每個打者即時計算個人化的好球帶，但這個計算的基準線設定仍然依賴人為的判斷。

「正確的判罰」有時候不等於「好的比賽」。 人類裁判有一個被研究者稱為「情境調整」（contextual adjustment）的行為——在某些情況下，他們會無意識地放寬或收緊好球帶來「讓比賽流暢進行」。例如，在大比分差距的後段，裁判傾向放寬好球帶以加速比賽結束。ABS 系統不會做這種調整——它永遠用同一個標準。結果是比賽時間在某些測試場次中反而變長了。

球員的信任建立需要時間。 初期測試中，球員對 ABS 的不信任程度超出預期。即使系統的判定在技術上是正確的，投手和打者常常「不同意」——因為他們習慣了人類裁判數十年來的判罰模式（略寬或略窄），突然切換到精確標準反而讓他們覺得「不對」。

對其他領域的啟示

棒球的機器人裁判實驗之所以重要，是因為它提供了一個「控制變數極好」的環境來觀察人類和 AI 判斷的互動——每一球都有精確的追蹤數據，每一個判罰都能即時回放驗證。

從這個實驗中可以提取的跨領域教訓包括：AI 在「精確度」上幾乎一定超越人類，但「精確」不等於「適當」——社會情境、文化慣例和使用者的心理預期，都是 AI 系統設計時不能忽略的變數。人類和 AI 的最佳協作模式可能不是「AI全自動」也不是「人類全權」，而是類似「挑戰制」的混合模式——人類做主要判斷，AI 作為可隨時查詢的校正工具。信任需要時間——即使 AI 的表現在客觀指標上更好，使用者仍需要一個漸進的適應期。

一個棒球場上的好球壞球判定，可能正在預演 AI 進入醫療診斷、法律裁判和金融風控時將面臨的同一批問題。

📰 本文資料來源

  • Vox:〈What baseball's 'robot umpires' tell us about the future of AI and work〉
  • 數據參考：MLB Statcast 系統技術文件；ABS 小聯盟測試數據