當人工智能遇上錯誤資料，為何 CDE 的記錄與複核更重要？
隨着人工智能在各行各業的應用愈來愈廣泛，工程及建造行業亦開始討論：未來是否可以把設計優化、工程量估算、施工方案比較、風險預測等工作，交由 AI 協助處理？從效率角度看，這幾乎是必然趨勢。但在這個過程中，一個較少被討論、卻極其關鍵的風險逐漸浮現——「AI 投毒」（data poisoning）。
所謂「AI 投毒」，是指有人有意識地向演算法可能採用的資料來源中，注入大量錯誤或誤導性的資訊，令訓練或推理過程受到污染，從而影響 AI 的輸出結果，包括其準確性與可信度。當前多數生成式 AI 模型主要基於網上公開資料進行訓練，本身就存在「資料真偽難以完全把關」的問題。如果再有人刻意在網絡上製造、擴散錯誤內容，相關模型在回答問題或給出建議時，就有機會被這些錯誤資訊拉偏。
對一般用戶而言，錯誤輸出可能只是帶來認知偏差或決策失誤；但對於工程及建造項目，如果未來越來越多決策依賴 AI 的建議，風險就會上升到成本、安全、合規甚至法律責任的層面。這時，問題便不再單純是「AI 準不準」，而是「在 AI 參與決策的環境下，我們如何確保所依賴的資訊可以被追溯、被複核、被糾正」。
這正是 Common Data Environment（CDE）和整體 Digital Information Management 架構的重要性所在。
一、AI 的優點與盲點：它依賴的不是「真相」，而是「資料分佈」
現代的人工智能演算法，本質上並不「知道真相」，而是從大量數據中學習統計分佈與模式，然後根據新輸入，預測最「合理」的輸出。如果訓練或參考的資料，以真實、可靠的專業內容為主，那麼 AI 給出的建議通常會相對接近現實；但如果某一段時間內，某些錯誤論述被反覆大量複製、引用與轉載，這些錯誤就有機會在統計上看起來「像是主流」，令模型傾向於模仿它們。
在工程領域，這一點尤其值得警惕。想像一下，如果某些不準確的設計細則、錯誤理解的條例、過分簡化的計算方法，在網上被大量轉貼甚至有意擴散，而 AI 模型在缺乏權威標準比對的情況下，只是「見得多就當是真」，那麼未來當我們向 AI 詢問設計建議、施工方法甚至合規判斷時，得到的答案很可能在關鍵細節上出現偏差。
因此，問題不僅在於「網上有錯誤資訊」，更在於：只要訓練和推理主要依賴公開網絡資料，AI 就無法完全避免被這些錯誤拉偏。
二、工程專案的額外風險
若把 AI 當成輔助工具，用於生成初步概念、整理文書或作為靈感來源，錯誤輸出的風險仍可由專業人員在審查時攔截。但當 AI 被更深入地嵌入工程項目，例如：
- 協助決定某些施工方案的優先次序；
- 針對 BIM 模型提出設計優化建議；
- 根據歷史項目數據預測成本、工期或風險；
- 參與建築條例合規檢查的初步篩查；
此時，如果模型內部引入了被「投毒」的錯誤模式，而團隊又缺乏足夠的追溯與複核機制，便可能在不自覺的情況下，逐步把錯誤引入真實項目決策當中。
換句話說，問題已經不止於「AI 有時講錯」，而是「錯誤被整合進工程項目的正式流程」，並有機會傳遞到圖紙、報表、施工指示，甚至最終建成的資產之中。如果沒有一套嚴謹的資訊管理架構，事後難以查明：哪一項決策出錯、錯在何處、錯誤源頭是否與某次 AI 建議有關、當時使用了哪些數據作為依據。
這正是為何在談 AI 之前，必須先談「CDE 與數碼資訊管理」。
三、CDE 的角色：把「用過的資料」變成可追溯、可複核的資產
從 CIC BIM 標準與發展局技術通告的角度看，CDE 的核心，不是某個品牌的平台，而是一套關於「資訊如何被儲存、分享、審批與追蹤」的規則。當我們考慮在工程項目中使用 AI 時，CDE 可以在風險管理上提供幾個關鍵支點。
首先，CDE 透過 WIP、SHARED、PUBLISHED、ARCHIVED 等狀態，為每一份文件、模型、報告建立清晰的生命週期與責任人。這意味着：
- 任何被用作決策依據的資訊，理論上應處於 SHARED 或 PUBLISHED 狀態，並已有明確的審批紀錄；
- 若有人試圖把「來歷不明」或「未經審核」的 AI 輸出直接引入正式流程，至少在 CDE 層面會留下痕跡，或在流程設計上被阻擋（例如不允許 WIP 資料直接成為正式交付物）。
其次，透過文件與模型的 Meta Data（例如 Status Code、Approval Code、Revision／Version Code），CDE 能讓管理人員在事後重建每個決策的資訊背景：當時參考了哪個版本的模型、哪份報告、由誰審批、是否有 AI 工具参与產生某些內容。如果 AI 參與過程被設計為必須在 CDE 作出登記或附註（例如在報告中紀錄某部分內容由 AI 協助生成），將來一旦發現問題，就能追溯和分析：AI 在哪個環節起了作用，錯誤是否與資料來源或演算法偏差有關。
最後，CDE 為「複核」提供基礎。當某一 AI 建議要被納入正式決策前，CDE 可以要求：
- 相關輸出需附上來源說明（例如參考了哪些內部資料集，而不是只依賴外部網絡）；
- 需由具特定職能的人（例如 discipline lead 或 BIM Manager）在系統中完成審閱與批註；
- 必要時，需要與既有標準、條例或內部指南作 cross-check，並把比對結果紀錄下來。
這種做法的意義在於：不讓 AI 的輸出直接「滑入」決策流程，而是把 AI 視為一個資料來源，需要經過既定的審查與複核程序，才能轉化為可被依賴的資訊。
四、從「盲信 AI」到「用 CDE 管理 AI 的輸入與輸出」
未來在工程及建造領域，人工智能的角色只會越來越重要，但同時，「AI 投毒」以及資料真偽難以完全掌握的問題也只會越來越難忽視。這並不意味著我們應該拒絕使用 AI，而是意味著：
- 不能把 AI 當成「自帶真相的黑盒」，而必須把它視為一個需要被管理的資訊來源與分析工具；
- 需要用 CDE 和數碼資訊管理機制，為 AI 的輸入與輸出建立邊界、審批流程與追溯紀錄。
對 BIM 經理、Digital Engineer 或任何負責數碼建造的專業人員而言，一個重要的能力，就是在項目中為 AI 的使用設定規則，例如：
- 哪些決策可以接受 AI 作為輔助參考，哪些決策必須以人為主導；
- AI 在生成建議或報告時，應盡量以內部經 CDE 管理的資料集為主要依據，而不是完全依賴外部網絡；
- 所有被納入正式交付或合約層面的資訊，無論是否由 AI 生成，都必須通過 CDE 所定義的審批與版本控制流程。
在這樣的架構下，即使外部世界的資料環境受到「投毒」干擾，只要我們能確保：真正進入工程項目決策層的資訊，必須經過 CDE 的記錄與複核，整體風險便能被大幅降低。
簡單來說，AI 可以幫你更快「看見」更多可能，但 CDE 與資訊管理，是確保你最終採用的是「可被負責任地引用的那部份」。
