有時候 平均數 不如 中位數 有意義
以下用「薪資收入」做一個具體例子，說明為什麼有時候 平均數 不如 中位數 有意義。
情境設定：某公司 10 位員工月薪（單位：萬元）
-
3
-
3
-
3
-
3
-
3
-
4
-
4
-
4
-
5
-
50
一、計算平均數
● 總和 = 3+3+3+3+3+4+4+4+5+50 = 82
● 平均數 = 82 ÷ 10 = 8.2 萬元
表面上看起來：
● 「公司平均月薪 8.2 萬元」
二、計算中位數
● 排序後，第 5 與第 6 位是 3 和 4
● 中位數 = (3 + 4) ÷ 2 = 3.5 萬元
三、比較分析
| 指標 | 數值 | 代表意義 | 問題 |
|---|---|---|---|
| 平均數 | 8.2 萬 | 每人平均收入 | 被 50 萬的高薪主管拉高 |
| 中位數 | 3.5 萬 | 中間那個人的收入 | 更接近多數人真實狀況 |
四、為什麼平均數失真？
● 50 萬的主管屬於「極端值（outlier）」
● 極端值會大幅拉高平均數
● 但實際上 9 個人都在 3～5 萬之間
如果你是求職者：
● 聽到「平均 8.2 萬」會誤以為普遍薪資很高
● 但實際多數人只有 3～4 萬
五、結論（關鍵觀念）
● 當資料分布「不對稱」或有「極端值」時
→ 中位數比平均數更能代表多數人的真實狀況
● 當資料分布「對稱、沒有極端值」時
→ 平均數才較具代表性
如果延伸到社會新聞常見的說法：
● 「全國平均薪資提升」
未必代表大多數人真的變有錢
很多時候：
● 看中位數，更貼近真實生活感受
AI 技術很強，但判斷仍需要被正確引導
很多人看到 AI 出錯，第一個反應是：
「是不是模型不夠強？」
「是不是資料不夠多？」
但實務上，AI 最常錯的地方，往往不是技術，而是判斷。
一、AI 技術真的不強嗎？
● 其實不是
● 現代 AI 在運算、辨識、分析上都非常成熟
● 問題通常不出在「做不到」
● 而是出在「判斷方向錯了」
二、常見的 AI 判斷錯誤情境
1. 把簡訊當垃圾
● 資訊本身沒有錯
● 但判斷標準過於保守
● 導致正常訊息被擋下來
2. 把人影當成錯誤
● 感知到的畫面是對的
● 但情境判斷失準
● 結果做出錯誤反應
3. 把正常行為誤判為風險
● 系統試圖「避免錯誤」
● 卻因此阻擋了正確行為
● 這不是技術弱，而是判斷設計問題
4. 資訊沒錯，錯在判斷
● 資料正確
● 模型也正常
● 但決策邏輯一開始就偏了
三、為什麼「判斷」這麼重要？
● AI 不是自己決定要怎麼想
● 而是依照人類設定的判斷規則運作
● 如果規則錯
● 再強的 AI，也只是在「快速犯錯」
四、這也是學 AI 最容易忽略的地方
● 很多人專注在工具
● 卻忽略了「適不適合用 AI」
● 真正重要的不是
「會不會用」
● 而是
「該不該用、怎麼判斷」
結語：一句話總結
● AI 技術很強
● 但判斷，仍需要被正確引導
什麼情況適不適合用 AI？
一句話判斷：什麼情況適不適合用 AI？
在 AI 工具越來越普及的今天，真正的關鍵不在於「能不能用 AI」，而在於 「這個問題適不適合交給 AI」。
如果一開始就判斷錯誤，即使使用再先進的 AI，也可能得到錯誤或有風險的結果。
以下用「一句話」幫你快速判斷。
一句話判斷原則（重點版）
● 資料夠多、目標明確、規則可量化 → 適合用 AI
● 資料少、價值判斷重、責任重大 → 不適合完全交給 AI
為什麼「資料多、目標明確」適合用 AI？
當一個問題具備以下特性時，AI 特別容易發揮效果：
● 有大量歷史資料可學習
● 成功或失敗的標準清楚
● 規則可以轉成數值或指標
● 結果允許一定誤差
常見例子包括：
● 銷售預測
● 影像或語音辨識
● 推薦系統
● 重複性高的分類與判斷工作
在這類情境中，AI 的優勢是 速度快、成本低、可長時間運作。
為什麼「價值判斷重」不適合完全交給 AI？
若問題本身具有以下特性，就需要特別小心：
● 資料本來就不多或品質不穩定
● 涉及道德、法律或人命風險
● 結果需要人類承擔責任
● 沒有明確的「對或錯」標準
例如：
● 醫療最終診斷
● 法律判決
● 人事去留決策
● 涉及倫理或公平性的決策
在這些情境中，AI 可以輔助分析，但不適合成為唯一決策者。
教學與實務上的關鍵提醒
● AI 是「判斷輔助工具」，不是責任承擔者
● 問題越模糊，越需要人類介入
● 好的 AI 應用，來自正確的「使用情境判斷」
● 想清楚需求與條件，再決定要不要用 AI
總結（一句話帶走）
● 先判斷問題性質，再選擇 AI，而不是反過來
