AI醫生很聰明，但它知道哪片葉子不能亂摘嗎？

AI醫療系統愈來愈會讀：讀影像、讀病歷、讀風險，也讀網路上所有看起來像知識的東西。當它開始背誦藥草名稱，科技業很容易宣布又征服一座資料山。但在真正的田野裡，先被問的往往不是「這株有什麼成分」，而是誰帶你來、現在是不是時候、這裡能不能進、這個知識可不可以說。

所以，當AI開始背藥草名錄，請先把門關小一點。不是拒絕學習，而是避免一個什麼都想讀的系統，把有關係、有邊界的知識誤認成公開菜單。

傳統醫學不是配方，而是一套生活世界

以卑南族傳統醫療田野學習為例，辨識植物只是表面。知識也包含環境變化、採集倫理、身體經驗、照護關係、禁忌、季節與傳承責任。同一株植物在不同情境中可能有不同意義，知道名字不等於知道如何接近，更不等於取得使用權。

資料庫偏好穩定欄位：名稱、部位、用途、效果。生活世界卻不肯乖乖排隊。誰來採、為誰採、採後如何回復環境、什麼情況要轉介現代醫療，往往比一個標籤更重要。AI若只留下「植物加症狀」的配對，就像把一間家拆成門牌號碼，然後宣布已完整保存建築。

安全與有效性：尊重不等於不查證

尊重傳統醫療，不表示所有說法都不必檢驗；要求科學查證，也不代表可以把知識從社群手中拿走。公共健康需要同時守住兩件事：文化安全與醫療安全。

植物可能受到物種差異、環境、處理方式與個人體質影響，也可能與藥物產生風險。AI若把零散敘述整理成看似肯定的答案，使用者很難看見不確定性。因此，系統不應提供自行採集、劑量或治療指示；涉及症狀與用藥，仍需合格醫療專業判斷。模型語氣很有自信，身體不會因此簽署免責同意。

生物剽竊的舊劇本，AI只是換了播放器

生物剽竊的基本劇情並不新：外部機構取得地方知識，轉成研究、專利、產品或品牌，原社群卻失去控制與收益。AI讓這套流程更快。大量文本、影像與訪談可以被抓取、分類、推論，再由模型生成新的「發現」，來源則在多層供應鏈裡逐漸失焦。

即使資料曾公開，也不代表社群同意商業訓練、健康建議或產品開發。授權必須針對用途，並包含拒絕、撤回、利益分享與錯誤修正。否則所謂智慧醫療，可能只是把舊式採集者換成不用睡覺的爬蟲程式。

AI能做什麼？可以，但要小心

在社群主導與清楚授權下，AI可以協助整理非敏感的公開資料、建立多語索引、辨識重複紀錄、提醒資料缺漏，或協助研究團隊追蹤安全文獻。它也能服務社群自己的教育與保存需求，而不是預設所有成果都要進入通用模型。

但系統應採分級權限，敏感內容不外流，使用紀錄可查，資料可撤回，模型用途不可暗中擴張。若AI參與健康資訊，也要標示限制、提供人工覆核與轉介機制。最重要的不是模型能回答多少，而是它知道哪些問題不該替別人回答。

教育與媒體的責任

學校與媒體不應把傳統醫療拍成神祕奇觀，也不能把它貶成未經科學照亮的迷信。好的報導會交代知識的社群脈絡、授權方式與公共健康界線；不公開採集點，不示範可被模仿的處理細節，也不以「失傳祕方」刺激點擊。

教育現場則可以談植物倫理、資料治理、醫療查證與歷史剽竊，讓學生理解傳統知識既不是網路偏方，也不是科技公司的原料倉。當內容涉及特定民族，應由該社群決定如何呈現，而不是把「原住民族」當成一個方便的總資料夾。

結語：聰明系統要先學會問路

AI可以很快辨識圖像、整理文字、找出關聯，但傳統醫療真正考驗的不是辨識速度，而是關係判斷。知道一片葉子的名稱，不代表知道能不能摘；知道一段紀錄，不代表知道能不能傳。

聰明系統若想進入傳統醫療，第一課不該是多背幾筆資料，而是學會問路、等待回答，並接受有些門不會為它打開。那不是資訊不足，而是倫理開始運作。