一、為何這份生成式 AI 指引值得工程界留意？
2025 年年尾，香港特別行政區政府數字政策辦公室（Digital Policy Office, DPO，簡稱「數字辦」）聯同香港生成式人工智能研發中心發佈了《Hong Kong Generative Artificial Intelligence Technical and Application Guideline》。這份文件不是寫給研究人員的學術論文，而是給全港各行各業主要是政府部門、其次是金融機構、專業服務以至工程顧問和承建商的一套「在香港負責任使用生成式 AI」的實務框架。
如果從建築及工程界的角度去看，它回答了三條我們將很快需要面對的問題：
生成式 AI 本身有什麼技術限制和風險？
香港政府打算如何治理這種新技術？
在這個框架下，開發者、服務提供者和使用者各自要負些什麼責任？
當我們已經習慣用 BIM 和 CDE 去管理數碼模型與文件時，這份指引其實是在提醒我們：下一步會是「AI 也進來了」，而我們既可以善用它，也必須懂得管好它。
二、生成式 AI 的能力與限制：不只是「聰明」，也可能「自信地講錯」
指引在第一章先把生成式 AI 放回技術背景之中。它把我們日常接觸的聊天機械人、圖像生成工具，統稱為「基於 Transformer 的大型模型」（LLM、VLM 等），說明它們是透過學習大量文字、圖像、聲音等資料的統計分佈，來「創造」新內容，而不是簡單抄襲現有網頁。
真正值得工程界關注的是對技術限制的描述。
一 指引指出，目前的生成式 AI 存在幾類「先天天生」的問題：模型幻覺（hallucination），即在看似合理的語氣下，輸出與現實不符甚至完全虛構的內容；
二 模型偏差，即在數據、演算法和使用場景多重影響下，對某些群體或情境作出不公平或不準確的判斷；
三 黑箱問題，令決策機理難以解釋；以及之前提過的「data poisoning」，即有人刻意把錯誤或惡意數據放入訓練或運行環境，令模型學壞或輸出偏差。
對工程項目來說，這幾點有直接含意。如果我們未來用 AI 協助撰寫方法陳述、總結監測報告、整理條例條文，甚至在 BIM／CDE 之上做風險分析，一旦模型背後的資料來源含有偏差或遭投毒，輸出可能「看起來合理」，卻在數值、條文或邏輯上出錯，而這些錯誤會直接影響成本、安全和合規。
指引在這裏其實說了一句關鍵話：以現有技術水平，幻覺和資料風險可以被壓低，但不會完全消失。因此要做的不是盲信 AI，而是透過治理和流程，去降低錯誤輸出對真實決策的影響。
三、香港的治理思路：風險分級，而不是一刀切禁止
另一個重點是政府提出了一套四級風險分類：不可接受風險、高風險、有限風險和低風險。不可接受風險例如足以危害人身安全、進行潛意識操控的用途，理論上應被禁止；高風險系統，如應用於醫療診斷、自動駕駛等，必須有人類監察和持續監控；有限風險如招聘工具、教育 AI，則要求透明、讓用戶有退出選項並定期合規審核；低風險應用則採自我聲明。
這種分類對工程界的啟示，是讓我們開始思考：
若將來用生成式 AI 協助做方案比較、工期預測或風險提醒，它屬於哪一類風險？
需要人類在甚麼位置「插手」？
哪些決策可以接受 AI 作輔助建議，哪些則必須由專業人員親自判斷？
指引提出五個治理維度：
一 個人資料私隱
二 知識產權
三 防止犯罪
四 可靠與可信度
五 系統安全
並強調香港傾向採用「應用導向」和「風險為本」的做法——不急於立一條統一的「AI 法」，而是用非約束性的框架＋現有法規（例如《個人資料（私隱）條例》、版權法等），去引導各行業制定自己的實務守則。
四、三個角色的責任：把 AI 供應鏈拆開來看
指引把生成式 AI 生態拆成三個角色：
一 技術開發者，負責模型和演算法本身；
二 服務提供者，負責把模型打造成可供使用的服務或平台；
三 服務使用者，即我們這些用 AI 來工作和創作的人。
對每一個角色，文件都提出了一些具體的做法。例如，
一 開發者需要有數據團隊、演算法團隊、質量控制和合規團隊，去處理資料來源合法性、模型偏差、系統弱點等問題；
二 服務提供者則要在服務層面建立清晰的合規、安全和透明框架，例如怎樣處理用戶輸入的敏感資料、是否讓用戶選擇不把資料用作再訓練、如何解釋模型行為；
三 使用者方面，則建議機構制定內部政策，包括准許使用哪些工具、可以輸入甚麼資料、輸出可用於哪些場景，以及遇上 AI 相關事故時如何上報和應對。
如果把這三個角色對應到工程界，可以這樣理解：
假如你只是用公開的聊天機械人來輔助寫電郵或整理會議記錄，你主要扮演的是「使用者」；
若你在公司內部，負責把某個基礎模型包裝成「工程專用 AI 助手」，為同事或客戶提供服務，你就同時是「服務提供者」，要對輸出的內容和資料處理負起更高責任；
如果你的公司進一步自行微調模型、整合內部 BIM／CDE 資料，甚至研發行業解決方案，則在某種程度上也已踏入「技術開發者」的角色。
這種拆解方式的價值，在於提醒我們：不能把所有風險都推給「AI 公司」，也不能假設自己永遠只是被動使用者，而要看清自己在具體項目中的位置，對應地建立合適的內部制度和專業判斷。
五、連結到 BIM 和 CDE：AI 是新層，但治理邏輯是延伸
對於已經習慣在 BIM 和 CDE 下工作的人來說，這份指引裏很多概念其實並不陌生。當指引談到 data integrity 和 data poisoning，你可以自然聯想到我們一直強調的版本控制、審批流程和模型審核：在 CDE 中，我們用 WIP、SHARED、PUBLISHED、ARCHIVED，加上 status／approval／revision code，去確保「用來做決策的資料是可追溯的」。同樣地，當 AI 開始參與工程決策時，我們亦應該問：AI 用的是甚麼資料？這些資料是否來自 CDE 中已審批的版本？ AI 生成的文檔或建議被採納時，有沒有在 CDE 留下清晰記錄，表明哪一部分是 AI 草擬、誰作了最後審批？
因此，你可以在文章中向讀者傳遞一個訊息：生成式 AI 不只是另一套「新工具」，它會成為我們數碼交付鏈中的一環；而要令這一環安全、可信，我們必須用和 BIM／CDE 類似，甚至更嚴謹的資訊治理方法去管理它。
總結來說，這份指引提供的，不是「要不要用 AI」的答案，而是「如果用，應該怎樣用得安全和負責任」的框架。對建築工程行業而言，真正的機會不在於誰最先把 AI 接入，而在於誰能在清楚理解風險和責任的前提下，把 AI 穩妥地整合進既有的 BIM、CDE 和工程管理流程中，令數碼建造走向下一個階段。
