一個計程車司機問我：AI 會不會讓路更難走
生計的路：駕駛這個職業的收入結構會不會被演算法重新洗牌？
規則的路：當事故發生、責任歸屬需要判斷時，誰說得清楚那條規則？
這四層如果混在一起談，就會變成「AI 好不好」這種沒有答案的爭論。但如果分開談，其實每一層都有相當具體的觀察可以講。
二、AI 已經在改寫「路」：四個正在發生的層次
要回答「會不會更難走」，得先看清楚 AI 現在到底在哪裡動了手腳。它不是在未來某一天突然出現，而是已經分成好幾層，悄悄滲進每一趟車程。
第一層：號誌與車流的演算法治理
最容易被忽略、但影響最廣的一層，是路口的紅綠燈。台灣不少縣市近年開始導入「智慧號誌」，也就是用路口感測器（攝影機、雷達、車輛偵測器）即時估算車流，讓紅綠燈配時可以動態調整。國際上像匹茲堡的 Surtrac 系統、Google 的 Project Green Light，做的都是類似的事：把每一個路口的等待時間壓低，讓綠燈盡量留給真正有車的方向。
這一層的好處很直接：減少怠速、降低油耗、尖峰時段平均旅行時間可以縮短一到兩成。但它的限制也很明顯——它幾乎一定是「局部最佳化」。某個路口變順了，車流被吸過來，下一個路口反而更塞。這種「把塞車搬家」的現象，在交通工程裡是老問題，不是 AI 造成的，但 AI 讓它變得更快、更難被人察覺。
更關鍵的是治理問題：號誌配時是一種「路權分配」。誰的綠燈長一點，誰就多一點機會。當這個分配從「里長會勘後拍板」變成「演算法自動調整」，居民還能不能問「為什麼我們這個路口從三十秒變成二十秒」？如果問了，有沒有人答得出來？
第二層：導航與路徑選擇的集體效應
導航這件事，是 AI 對「路」最日常、也最被低估的介入。你以為導航只是「告訴你怎麼走」，但當幾十萬人同時用它，它其實是在重新分配整座城市的車流。
這裡有一個很經典的數學現象，叫做布拉斯的悖論（Braess's Paradox）：在某些網路結構下，多開一條路，整體通行時間反而變長。原因是每個駕駛都選「對自己最快」的那條，最後大家擠在同一條「最快」的路上。個別最佳化加總起來，不等於整體最佳化。
真實世界已經出現大量案例：美國加州 Fremont、洛杉磯的住宅區小巷，比利時、英國一些小鎮，都曾經因為導航軟體把「抄近路」的車流導進來，導致原本安靜的社區塞滿外車，居民抗議、地方政府只好封路或設限制。台灣也有類似狀況，某些產業道路、山區小徑在連假期間突然變成「秘境路線」，塞到連救護車都進不去。
所以「AI 會不會讓路更難走」這個問題，在這一層的答案其實是：對原本就在走那條路的人來說，會；對剛好被導航到一條新路的人來說，不會。 它不是整體變好或變壞，而是把成本移轉給沒有話語權的那一群人。
第三層：自駕車與混合交通的過渡期
談到 AI 與交通，多數人馬上想到自動駕駛。但如果要認真回答那位運將的問題，必須先講清楚一件常被跳過的事：最難的階段不是「全是自駕車」，而是「自駕車與人開的車混在一起」。
交通是一種社會互動。人類駕駛靠的是默契：會車時誰先讓、巷口會車時誰倒車、看到前車煞車燈閃一下就知道對方要切。這些默契寫不進法規，但每天在路上運作。自動駕駛車輛被設計成「保守、守規則、不搶」，結果在混合交通裡反而常常變成卡住的那一方——太禮讓、太猶豫、在沒有標準答案的情境下停住不動。業界有個半開玩笑的說法叫「殭屍車」：不是撞人，是卡在路口讓後面全部塞住。
2023 年舊金山發生過幾次自駕計程車在城市裡卡住、阻擋救護車、以及在事故後的處理爭議，最後加州監理單位暫停其中一家公司的營運許可。這些事件的重點不在「自駕技術不行」，而在於：當一個城市同時有兩套規則（人類默契 vs 程式邏輯），摩擦成本會先出現，效益才慢慢來。
而這個過渡期會有多長？老實說，比多數簡報講得久。技術分級（SAE Level 0 到 5）講的是能力，但落地講的是「營運設計範圍」（ODD）——晴天、白天、市區、有圖資覆蓋的路段，一種一種慢慢開放。對一個開了二十年車的運將來說，他遇到的不是「明天被取代」，而是「未來十年，路上會一直有一種不太會互動的新手」。
第四層：派單、定價與平台的隱形道路
第四層對駕駛的影響最直接，但它看不見。叫車平台的派單邏輯、動態定價、司機評分、接單率計算，本質上是一套演算法在管理勞動。學術上叫做「演算法管理」（algorithmic management）：沒有人在你旁邊盯，但系統會透過資訊揭露的多少、任務分配的順序，引導你的行為。
這一層的問題不是「AI 搶工作」，而是「AI 重新定義了工作的議價結構」。司機看不到完整的定價公式，只能從自己的經驗反推；平台看得到全部資料，而且可以隨時調整。這種資訊不對稱，讓「努力」和「收入」之間的關係變得模糊——你不知道今天少跑兩趟，是因為自己偷懶，還是因為系統把你排在比較差的位置。
對那位運將來說，這一層的「路更難走」是最真實的：不是柏油路變窄，是他熟悉的「用時間換收入」的公式，被別人的模型改寫了。
三、反直覺的答案：AI 讓路變難走的三種機制
如果只講「AI 有好有壞」，等於沒講。比較有用的做法，是把「變難走」拆成幾種可以被檢驗的機制。我認為至少有三種。
機制一：自私路由與「每個人都最聰明」的陷阱
第一種機制前面提過：當每一個駕駛都透過 AI 追求自己的最佳解，整體可能變差。這件事在交通上有個專有名詞叫「自私路由」（selfish routing），而衡量「自私解的總成本」與「理論最佳解」之間差距的指標，叫做「無政府代價」（Price of Anarchy）。研究顯示，在某些路網上，這個差距可以達到相當可觀的比例。
AI 在這裡扮演的角色，不是「變笨」，而是「讓自私變得更有效率」。以前你要靠經驗才知道哪條巷子快，現在每一台車都知道。於是那條巷子就毀了。資訊普及不等於效率提升，有時候它只是把一條原本還能走的路，變成大家都想走的死路。
機制二：兩套規則的磨合期，成本由誰承擔
第二種機制是「規則不一致」。人類駕駛的規則是鬆的、有彈性的、靠情境判斷；自駕系統的規則是緊的、有優先順序的、靠機率門檻。當兩者共存，會出現一種奇特的現象：遵守規則的人反而吃虧，不遵守規則的人反而受益。
例如在沒有號誌的巷口，自駕車會等到確認安全才通過，於是人類駕駛會搶先。久了之後，自駕車在某些路段會愈來愈難通行，形成「劣幣驅逐良幣」的效果。這不是技術問題，是誘因設計問題。要解決，通常得靠基礎設施改造（例如把巷口改成有明確路權設計）或法規介入（例如規定自駕車在特定情境下的行為），但這兩件事都比寫程式慢很多。
機制三：目標函數錯置——優化的是什麼？
第三種機制最隱形，但也最深。任何 AI 系統都必須定義「要優化什麼」。交通領域常見的目標是：平均旅行時間、吞吐量、事故率、碳排放。這四個目標彼此會衝突。如果你優化「平均旅行時間」，那可能犧牲「行人等待時間」；如果你優化「吞吐量」，可能犧牲「社區安寧」。
問題在於，目標函數通常不是由受影響的人決定的。 平台優化的是訂單完成率，地方政府優化的是主要幹道流量，兩者都不見得會把「巷子裡的居民」、「輪椅使用者」、「夜間返家的女性」放在同一個權重裡。當這些人的需求沒有被寫進目標函數，AI 不會「害」他們，AI 只是看不見他們。
這是我認為最需要被討論的一點：AI 不會主動讓路變難走，但它會讓「誰的路被看見」這個問題，變得前所未有的重要。
四、被忽略的那一群人：AI 對駕駛職業的結構性衝擊
回到那位運將。他問的「路」，很大程度上是生計的路。這一節我想談得具體一點，因為「AI 會不會取代司機」這種問法太粗糙，真正發生的是一連串較細緻的變化。
派單演算法如何改變勞動條件
第一個變化是「議價能力的轉移」。在路邊攔車的年代，司機和乘客是當面議價（或被跳表保護）；在平台年代，價格由系統決定，司機只有「接」或「不接」兩個選項。單看一筆訂單好像沒差，但長期下來，司機失去的是「知道自己的服務值多少」的能力。
第二個變化是「風險的重新分配」。平台可以把需求波動、油價、天氣等風險，透過派單與定價機制轉嫁給司機。司機承擔了不確定性，但沒有相應的議價權。這在零工經濟的研究裡被討論很多，結論通常是一致的：演算法不是中立的，它會把風險推向議價能力較弱的一方。
第三個變化是「評分制度的規訓效果」。星星評分看起來是顧客評價，實際上是持續的行為矯正機制。司機為了維持評分，會做出對自己未必有利的選擇（多等五分鐘、忍受不合理要求、不敢拒載）。這不是 AI 發明的，但 AI 讓它變得可規模化、可即時化。
技能折舊，以及「人味」還值多少錢
第二個大問題是技能折舊。一位開了二十年的司機，他的核心能力包括：認路、判斷路況、預測乘客需求、處理突發狀況、以及與人互動。當導航、路況預測、派單都交給 AI，前四項能力的市場價值會下降。這是事實，不必美化。
但也不必過度悲觀。有幾種能力，在可見的未來仍然很難被取代：
換句話說，AI 壓縮的是「純移動」這一段的價值，但「移動加上照顧」這一段反而可能因為稀缺而升值。這對政策與工會的啟示是：與其爭論「會不會被取代」，不如早一點把訓練資源放在「移動之上的服務」。
五、城市治理的角度：誰有權決定路的優先順序
把視角從個人拉高到城市，問題會變得更清楚，也更棘手。因為「路難不難走」從來不是技術問題，而是分配問題：有限的道路空間要給誰用。
資料不對稱：弱勢用路人常常沒有感測器
AI 交通治理有一個結構性偏誤：能被感測到的，才會被優化。 車輛有車牌、有 GPS、有 ETC；但行人、自行車、輪椅使用者、推嬰兒車的家長，往往只在被攝影機拍到的瞬間存在。當號誌配時根據「車輛流量」最佳化，行人的等待時間就容易被犧牲。
更細的問題是訓練資料的偏差。自駕系統的感知模型，在夜間、雨天、逆光、以及非典型用路人（輪椅、電動代步車、牽著小孩的家長）身上的表現，通常比標準情境差。這不是廠商不努力，是資料分布的問題。業界用「邊緣案例」（edge case）來稱呼這些情境，並用 ISO 21448（SOTIF）這類標準來處理「已知的不安全情境」。但「已知的未知」清單永遠列不完。
所以真正的問題是：當一個城市的交通決策愈來愈依賴資料，那些沒有資料的人，會不會被系統性地忽略？ 這是一個必須用制度回答的問題，不是用更厲害的模型回答。
可解釋性與事故問責
另一個治理難題是問責。當自駕車發生事故，責任要在駕駛、車廠、軟體供應商、道路管理單位之間分配，現行法律架構並不完整。更麻煩的是「可解釋性」：如果事故原因是模型在一個罕見情境下做出了錯誤判斷，而這個判斷連工程師都難以完整重現，那法官要怎麼判？保險公司要怎麼定價？
實務上目前的做法，多半是靠「事件資料記錄器」（類似行車記錄器加上系統日誌），把事故前幾秒的感測資料、決策輸出、人工接管狀態都記錄下來。這解決了「有沒有資料」的問題，但沒解決「資料要怎麼被解讀」的問題。而對於非專家的當事人（例如那位運將），這些紀錄等於黑箱。
我認為這一層是台灣特別需要提前準備的。我們有很強的資通訊產業，也有很成熟的交通事故鑑定制度，但兩者之間的橋樑還沒搭好。等自駕車真的上路才開始吵，會非常辛苦。
六、回到車上：我當時給了什麼答案
下車前，我大概講了這樣的話，現在把它整理得完整一點。
第一，短期會，而且會先變難再變好。混合交通的過渡期一定混亂，導航會把車流導進不該去的地方，號誌最佳化會讓某些路口更塞。這是必經的摩擦，不是陰謀。
第二，中期看治理，不看技術。同樣的技術，放在有行人優先政策、有資料公開、有社區參與的城市，結果會完全不一樣。技術本身沒有立場，但目標函數有。誰被寫進目標函數，誰的路就好走。
第三，長期「路」的定義會改變。當移動變成服務（MaaS）、當自駕接駁車補上偏鄉最後一哩、當物流與客運重組，我們現在理解的「計程車」這個職業會解構，但「移動服務」這個需求不會消失。問題是轉型過程中，誰有資源轉、誰沒有。
然後我補了一句比較實際的話：「大哥，你現在最該做的，可能不是擔心 AI，是去搞清楚你所在車隊的派單規則，還有把你這二十年累積的熟客關係，變成不只是平台的資料。」他笑了一下，說：「你這個人講話很實在。」
我不知道他有沒有聽進去。但那個問題，我一直記到現在。
七、給讀者的思考框架：五個可以自己檢查的問題
如果你也關心「AI 會不會讓路更難走」，與其等一個總體答案，不如用下面五個問題檢查你身邊的具體情境。這五個問題是我自己遇到交通 AI 議題時會拿出來用的。
這五個問題不需要工程背景就能問，而且問了之後，你會發現很多「AI 好方便」的敘事，其實藏著沒說清楚的分配選擇。
結語：那條路的盡頭，不是技術，是選擇
那晚下車時，運將大哥把找零遞給我，說了一句：「少年仔，你講的我有聽懂一半啦。」我說這樣就夠了。其實我自己也只懂一半。
AI 會不會讓路更難走？我的答案始終是：它不會自動讓路變好，也不會自動讓路變壞，它會讓「誰的路被優先考慮」這件事，變得更明顯、更難假裝沒看到。
過去我們可以說「路就是那樣」，因為路的設計是緩慢的、有慣性的、充滿折衷的。現在，路變成一個可以被即時計算、即時調整的系統。這意味著每一次調整，都是一次選擇；而每一次選擇，都會有人走得比較順，有人走得比較辛苦。
那位運將問的問題，本質上不是問 AI，是問我們：當決定權慢慢集中到少數模型與少數平台手上，我們還願不願意花力氣，去替那些沒有被寫進目標函數的人，留一條路。
這個問題，比自駕車什麼時候量產，重要得多。
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →