PPT_補充

統計學走下神壇

跟著 AI 進入尋常百姓家：從計算工具走向可信度科學

核心重點

核心主題	重點
統計學的角色	從少數專家使用的分析技術，走向人人可透過 AI 使用的日常決策工具。
AI帶來的改變	自然語言降低了統計軟體、程式與公式操作的門檻，分析速度大幅提高。
真正稀缺的能力	由「會不會算」轉向「會不會問、會不會判斷、知不知道結果能不能信」。
統計學的新前線	生成式 AI、LLM 評估與排名、隱私保護、高維推斷、不確定性量化、因果推論。
人與AI的分工	AI擅長計算、探索與生成；人負責定義問題、檢查資料、辨識偏誤與做決策。
教育的轉向	從公式記憶與手算，轉向資料思維、AI協作、結果解釋、因果與風險判斷。
走下神壇的意義	不是統計學失去專業，而是工具民主化；專業價值由操作技術上移到判斷品質。
一句話	AI讓人人都能做統計；統計學教我們何時可以相信AI、何時不可以。

學習目標

• 理解統計學從古典推斷、高維資料、機器學習到生成式 AI 的演變。
• 理解 AI 降低統計操作門檻之後，統計思維為什麼反而更重要。
• 區分 Prediction（預測）、Causation（因果）與 Uncertainty（不確定性）。
• 理解 AI 時代的新統計問題：評估、校準、偏誤、隱私與可信度。
• 建立「人負責問題與判斷，AI負責計算與探索」的學習模式。

一、統計學為什麼開始「走下神壇」

過去學統計，往往先學公式、查表、統計軟體指令與程式語言。要完成一個分析，使用者除了理解概念，還必須知道如何輸入資料、選擇方法、設定模型與解讀輸出。這些技術門檻，使統計長期帶有很強的專業色彩。

生成式 AI 改變了人與統計工具之間的介面。今天，一般使用者可以直接用自然語言要求 AI 整理資料、計算平均數、建立圖表、跑迴歸、比較群體，甚至產生 Python 或 R 程式碼。統計學第一次大規模從「專業軟體操作」走向「日常語言操作」。

但這並不代表統計學變簡單。真正變簡單的是計算與操作；真正變重要的是判斷。當人人都能在幾秒內得到一條迴歸線、一個 p-value 或一個預測結果，最大的問題變成：這個方法適合嗎？資料有偏嗎？模型是否過度自信？結論是否真的成立？

走下神壇的三層意義

層次	變化
操作民主化	從 R、Python、SPSS 指令走向自然語言。
分析民主化	非專業使用者也能做描述、比較、預測與視覺化。
專業價值上移	專業能力轉向問題設計、偏誤辨識、因果推論與不確定性判斷。

二、五十年的主線：統計學面對的資料一直在改變

時期	焦點	核心問題	代表概念
1970–1990	古典推斷	有限樣本下，如何可靠估計與檢定？	漸近理論、Bayesian、非參數
1990–2005	高維資料	變數比樣本還多時，如何找出真正訊號？	稀疏性、LASSO、小波、高維推斷
2000–2015	統計學習	如何兼顧推斷、預測與計算？	正則化、模型選擇、多重檢定
2015–2025	深度學習	黑箱模型為何有效？何時會失效？	深度學習理論、最佳化、模型評估
2025之後	生成式 AI	AI產生的內容與決策能否相信？	LLM評估、水印、隱私、校準、可信AI

統計學的語言從抽樣、估計與檢定，擴展到高維資料、機器學習、深度網路與大型語言模型。然而核心精神並沒有改變：我們從有限、偏誤或不完整的資訊中，究竟能知道多少？

三、2026 COPSS：統計學前線已進入生成式 AI

2026 年 COPSS Presidents’ Award 得主 Weijie Su（蘇煒傑）的官方獲獎理由，涵蓋生成式 AI 的統計基礎、LLM 水印、對齊與排名、隱私保護資料分析、機器學習同儕審查、凸最佳化、深度學習理論與高維推斷。這些主題顯示，統計學已經深入 AI 系統的訓練、評估、治理與可信度。

AI時代的統計問題	統計學的工作
LLM 水印	判斷內容是否可能由特定生成模型產生，本質可轉化為統計檢定問題。
模型評估與排名	比較模型時，要處理評分者差異、benchmark 偏誤、排名波動與測量誤差。
隱私保護	在保護個人資料與維持統計效用之間找到可量化的平衡。
深度學習理論	理解黑箱為何可以泛化，以及在哪些條件下會失效。
高維推斷	在變數極多、樣本有限的情況下控制錯誤並產生可靠結論。

四、AI讓統計計算變便宜，統計思維變昂貴

AI可以自動完成資料清理、摘要、圖表、迴歸與程式碼之後，「會操作工具」的稀缺性下降。真正拉開差距的是，使用者能不能識別一個分析是否值得相信。

• 資料從哪裡來？樣本代表誰？
• 缺失值是隨機的，還是某一群人特別容易消失？
• 模型準確，是因為真正學到規律，還是因為資料洩漏？
• 兩件事一起發生，是相關還是因果？
• 模型對整體有效，對少數群體是否同樣有效？
• AI給出的機率或信心，真的經過校準嗎？

因此，AI 時代最重要的統計能力，不是快速得到第一個答案，而是能對第一個答案提出第二個問題。

五、未來統計學的三根支柱：預測、因果、不確定性

支柱	要回答的問題	AI的強項	統計學的價值
Prediction 預測	接下來可能發生什麼？	大量模式辨識與預測	評估泛化、錯誤率與資料漂移
Causation 因果	如果改變 X，Y 會不會改變？	可協助探索，但不能自動保證因果	實驗設計、因果識別、混雜控制
Uncertainty 不確定性	答案有多可信？	常容易表現得過度自信	信賴區間、校準、coverage、風險控制

1. Prediction：預測不等於理解

機器學習可以在大量資料中找到非常複雜的預測關係，但準確預測本身不能證明因果。預測模型適合回答「誰可能違約」「明天需求多少」，卻不能單靠預測結果回答「提高利率是否造成違約下降」。

2. Causation：AI越會找相關，因果推論越重要

當模型能迅速找出成千上萬個關聯，錯把相關當因果的風險反而增加。實驗設計、自然實驗、反事實思維與因果圖等方法，會持續是統計學的重要核心。

3. Uncertainty：未來最稀缺的是可信度

生成式 AI 的問題往往不是沒有答案，而是答案太容易產生。關鍵因此從「能不能得到答案」轉成「這個答案的錯誤風險是多少」。不確定性量化、模型校準、conformal prediction 等方法的重要性正在上升。

六、從模型建立走向模型評估

大型 AI 模型的建造成本極高，並不是每一位研究者都能重新訓練一個 frontier model。統計學因此出現一個非常重要的新角色：不一定自己建造最大模型，而是建立可靠的評估制度。

• 兩個 LLM 誰真的比較好？差異是否具有統計意義？
• 排行榜是否穩定？換一批問題，名次會不會翻轉？
• 人類評分者本身有多少差異與偏誤？
• 測試資料是否被模型在訓練時看過？
• 一個 benchmark 測到的是模型能力，還是只是熟悉題型？

AI越強，評估就越重要。當系統可以大量產生答案時，真正稀缺的不是答案，而是可信的評估。

七、隱私、公平與資料治理：統計學開始參與「建造世界」

傳統統計常被理解為分析既有資料；AI時代的統計學，則愈來愈參與資料如何被產生、公開與使用。Differential Privacy（差分隱私）就是典型例子：加入太少雜訊可能傷害隱私，加入太多雜訊又會破壞資料效用。這是一個必須用統計方法量化的 trade-off。

同樣地，公平性也不是只靠一句「不要歧視」就能解決。不同族群的錯誤率是否相近？訓練資料是否代表真實人口？模型在某些群體上是否特別不可靠？這些問題都需要統計設計與測量。

八、統計學跟著 AI 進入尋常百姓家

生活場景	AI可以做什麼	統計學必須追問
購物與零售	把銷售資料交給 AI，找熱賣品與季節性	促銷、缺貨、平台流量是否扭曲結果？
投資	讓 AI 比較報酬、波動與相關性	歷史樣本能代表未來嗎？是否有倖存者偏誤？
行銷	AI自動整理 A/B test	樣本夠大嗎？多重比較是否製造假陽性？
教育	AI分析測驗與學習紀錄	成績差異是能力、題目難度，還是測量偏誤？
企業管理	AI預測需求、離職與風險	模型是否把過去制度中的偏誤複製到未來？
公共政策	AI分析人口、交通與福利資料	樣本代表性、隱私與因果效果能否兼顧？

九、統計教育要怎麼改

如果 AI 可以幫學生完成大部分計算，統計課不應因此縮減，而應重新配置時間。公式仍然重要，但不必把大量時間花在可以被機器穩定代勞的機械操作。

過去偏重	AI時代應增加
手算平均數、標準差、迴歸係數	解讀平均數與離群值對決策的影響
記憶檢定公式	選擇檢定方法並檢查假設是否成立
學統計軟體指令	用自然語言要求 AI 分析，再驗證輸出
得到唯一答案	比較不同模型、不同樣本與不同假設下的答案
追求顯著	理解效果大小、可信度、實質意義與風險

AI時代學生應掌握的十個問題

6. Data Generating Process：資料到底怎麼來？
7. Sampling：樣本代表誰？
8. Bias：資料在哪裡偏掉？
9. Missingness：缺失資料為什麼消失？
10. Uncertainty：答案有多不確定？
11. Causality：相關還是因果？
12. Generalization：換一個族群或環境還成立嗎？
13. Evaluation：怎麼知道 AI 真的比較好？
14. Privacy & Fairness：分析是否製造新的風險？
15. Human Judgment：統計結果放回真實情境後，到底意味著什麼？

十、人與 AI 的最佳分工

工作	AI較適合	人必須負責
資料整理	格式轉換、初步清理、程式碼生成	確認資料定義與清理規則
探索分析	圖表、摘要、找模式	判斷模式是否值得解釋
模型	快速嘗試多種方法	決定目標、假設與評估標準
解釋	生成初步說明	確認因果、限制與商業意義
決策	提供情境與方案	承擔價值判斷與後果

十一、一個新的理解：統計學是「可信度的科學」

二十世紀，統計學最典型的問題是：我們只看到一部分世界，如何從樣本推論母體？二十一世紀，資料不只來自人，也大量由機器產生。問題開始變成：在一個充滿模型、演算法、合成資料與 AI 回答的世界裡，我們怎麼知道什麼值得相信？

這使統計學從單純的分析工具，逐漸成為 Validation Science——驗證與可信度的科學。Computer Science 擅長建造系統，Machine Learning 讓系統從資料中學習，而 Statistics 的核心價值，是告訴我們系統何時可信、何時失效，以及錯誤可能有多大。

十二、課堂討論

16. 如果 AI 已經可以自動做迴歸分析，學生還需要學迴歸嗎？需要學到什麼程度？
17. AI 可以快速找出大量相關性，這會讓因果推論變得比較重要還是比較不重要？為什麼？
18. 如果一個模型準確率 95%，你還需要知道哪一些資訊，才能決定是否使用？
19. 一個 AI 模型在整體族群上表現很好，但對少數族群錯誤率很高，應該如何評估？
20. AI讓人人都能做資料分析，會縮小知識差距，還是可能製造新的『錯誤自信』？
21. 未來統計學家最重要的能力，會是數學、程式、AI操作，還是判斷？請排序並說明。

十三、重點整理

• 統計學不是被 AI 取代，而是被 AI 帶進更多人的日常工作。
• 計算與軟體操作變得便宜之後，問題設計與判斷品質變得更珍貴。
• 統計學的前線已從單純分析資料，進入 AI 評估、隱私、高維推斷與可信度。
• 未來核心可濃縮為 Prediction、Causation、Uncertainty 三個支柱。
• AI的答案愈多，統計學的工作就愈像品質管理：校準、驗證、控制風險。
• 統計教育應從『如何算』逐步轉向『如何問、如何驗證、如何決策』。

AI讓人人都能做統計；統計學則教我們，何時可以相信AI。

參考資料

• Committee of Presidents of Statistical Societies (COPSS). 2026 Presidents’ Award: Weijie Su.
• Institute of Mathematical Statistics (IMS). 2026 COPSS Award Winners, 31 March 2026.
• Cai, T. Statistics at the Crossroads: Challenges and Opportunities in the Age of AI. IMS Presidential Address, 2025.