我們的組織存在的目的，是推動人工智慧的教育、研究與公眾理解。也因此，我們以 AI 為核心的旗艦專案 ReefBeacon，成為一個能夠示範我們視為最根本之事的地方：AI 只有用在有幫助的地方、並被隔絕在不該踏入之處，才能贏得信任。
這條規則
這條規則說起來很簡單。真正要緊的數字，一律由具確定性的程式碼依據已公開的資料算出；AI 則用在 AI 真正擅長的地方——調度每日作業流程、判讀影像、起草文字、回答問題——而絕不拿來算數。
實際做法
以 ReefBeacon 為例，具體做法如下：
- 熱壓力數值——海表溫度（SST）、HotSpot、累積熱度週（DHW）——取自 NOAA Coral Reef Watch 公布的衛星產品；閾值判斷（DHW 高於 4 發出警示、高於 8 標示為高風險）則是具確定性程式碼裡的單純算術。沒有任何模型輸出能把一座珊瑚礁從一個風險等級移到另一個。
- 每日作業流程——讀取資料、查核資料、為 65 個觀測站評分、產出隨警示附上的簡短評估——以 AI 的函式呼叫（function-calling）來調度：模型負責協調工具，工具負責產出數值。
- 調查照片判讀在 AI 視覺真正有幫助的地方使用它——為數千張照片評定白化嚴重度——每一項判斷都附有信賴水準，信賴程度偏低的個案則轉交人工複核。
- 歷史問題由附有出處的事件資料庫作答；當資料庫沒有足夠的歷史、不足以誠實回答時，系統會據實說明，而不是即興編造。
這件事不只關乎珊瑚礁
對一個同時教導 AI 素養的非營利組織而言，這是我們最希望公眾內化的一課：問題從來不是「模型能不能做這件事？」而是「這件事該不該由模型來決定？」溫度讀數是一項量測，風險等級則是套用在量測上的規則。兩者都不會因為出自語言模型而變得更好——反而在沒有任何人能加以查核的那一刻，同時變差。可追溯性不是我們事後加上的功能；它就是架構本身。
把我們的實踐變成教材
同一條原則如今也貫穿我們的課程與解說：把整條鏈路攤開給學習者看——資料、規則、輸出、懷疑——讓他們自己去追問。如果你在教或學 AI，並希望把 ReefBeacon 當作課堂案例，請寫信給我們：hello@fledged.org。