第 11.6 節「BlenderBot 3 的案例」。以 Meta 對話機器人在公開測試中出現反猶與偏見言論，說明訓練資料、模型偏見與信任問題。
理解網路訓練資料如何把人類偏見帶入模型，以及安全措施、模型可解釋性與公開測試之間的關係。
Meta 的 BlenderBot 3 可瀏覽網路並與使用者對話，設計目標是透過真實使用者互動與回饋持續改善能力與安全。原書記載它在 2022 年 8 月初於美國開放使用者測試。
| 原書項目 | 內容 |
|---|---|
| 開發者 | Meta |
| 公開測試 | 2022 年 8 月初，美國 |
| 主要能力 | 瀏覽網路、對話、從人類自然對話與回饋改善 |
| 早期問題 | 部分使用者回報反猶與偏見言論 |
| 原書指出的成因脈絡 | 大量公共網路活動資料可能包含人類偏見；即使有移除偏見措施，仍可能有殘留 |
| 治理問題 | 偏見、黑箱模型、公共信任、關鍵決策領域的風險 |
以「訓練資料 → 安全／偏見控制 → 公開互動 → 不當輸出 → 回饋與改善」分析對話式人工智慧的生命週期風險。
原書沒有提供本節不當輸出比例、偏見命中率或安全修正前後數值，因此不能自行計算偏見率。
案例的重點不是證明所有大型模型都必然偏見，而是顯示：模型即使已有安全措施，仍需持續測試、回饋與監督；若系統進入醫療或司法等高風險領域，失誤後果更嚴重。
依原書將 BlenderBot 3 的風險分成訓練資料、模型設計、公開互動與治理四層；不得自行生成偏見比例或推論 Meta 當時未公開的內部原因。
問題： 若公開測試完全沒有收到負面回報，是否即可證明模型不存在偏見？
參考解答： 不能。沒有觀察到回報不等於不存在問題，仍需系統性測試與持續監督。