團隊

人們談論AI，往往先想到其對效率與品質的提升。但隨着 AI 深入寫作、研究、設計和企業決策，一個潛藏的問題浮出水面：如果大家都依賴相似的 AI，我們會不會也因此變得更像？

在 AI 時代，每個人都應逐漸變成定義標準的人。在把任務交給 AI 之前，有幾個問題值得提前想清楚：AI 的角色是什麼？它應該從哪幾個角度考慮這個問題？這個任務的成功標準是什麼？有沒有 AI 可以學習的案例？有哪些是必須避免的錯誤？ 這幾個問題看似簡單，但能回答好，本身就是一種稀缺的管理能力。

投行分析師讓AI同時跑數據清洗、行業對標和報告初稿，自己只負責審核與決策。律所合夥人用AI幾分鐘完成過去實習生一整天的盡職調查檢索。這些已不是想像。

科幻作品常以《終結者》式的暴力對抗描繪人工智慧（AI）的威脅，但現實中AI的侵蝕遠比銀幕敘事更安靜、更隱蔽——它無關肉體毀滅，而關乎存在根本： 一場針對人類「思考權」的系統性讓渡，正在我們與效率的合謀中悄然發生。

This article develops a conformal prediction method for classification tasks that can adapt to random label contamination in the calibration sample, often leading to more informative prediction sets with stronger coverage guarantees compared to existing approaches. This is obtained through a precise characterization of the coverage inflation (or deflation) suffered by standard conformal inferences in the presence of label contamination, which is then made actionable through a new calibration algorithm. Our solution can leverage different modelling assumptions about the contamination process, while requiring no knowledge of the underlying data distribution or of the inner workings of the classification model. The empirical performance of the proposed method is demonstrated through simulations and an application to object classification with the CIFAR-10H image data set.