人機迴路 (HITL) 是一種 AI 方法，其中人類參與模型訓練和決策過程，以提高準確性、可靠性和倫理考量。
容易混淆
人機迴路 vs 全自動 人機迴路保留人工介入點 全自動是不經人工就直接執行 最關鍵的區別是有沒有最後一道人工確認
人機迴路 vs 標註流程 標註流程是人幫資料貼答案 人機迴路是人和模型在運行中互相補位 最關鍵的區別是訓練資料製作，還是線上工作流
記住這句就好
AI先跑，人最後把關。
實際案例
醫療判讀 AI 先圈出可疑影像，再由醫師確認，這樣能兼顧效率和風險控制。
內容審核 社群平台常先讓模型過濾大部分內容，再把灰色地帶交給人工審核。
深入了解
人機迴路最適合高風險、規則不清楚、或模型還不夠穩的場景。 它不是退而求其次，而是一種現實上更可靠的分工方式。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 人機迴路、人在迴路 | 台灣常見譯法 |
| 人在回路、人机回环 | 簡體寫法 |
| Human-in-the-Loop | 英文原名 |
| HITL | 標準縮寫 |
| 人工介入、人工審核 | 描述實際做法的口語說法 |
三種介入程度，這是最常考的區分
| 模式 | 英文 | 人的角色 | 適合 |
|---|---|---|---|
| 人在迴路中 | Human-in-the-Loop | 每個決策都要人確認才執行 | 高風險、不可逆的決策 |
| 人在迴路上 | Human-on-the-Loop | 系統自動執行，人在旁監督並可隨時中止 | 需要速度但要保留煞車 |
| 人在迴路外 | Human-out-of-the-Loop | 完全自動，人只看事後報表 | 低風險、高頻率、可逆的決策 |
三者的判準是人有沒有機會在事情發生前介入。人在迴路中是事前逐筆同意，人在迴路上是事中可以喊停，人在迴路外只剩事後檢討。
選哪一種取決於兩件事：單次錯誤的代價與決策的頻率。代價高就往迴路中靠，頻率高到人跟不上就只能往迴路上或迴路外靠，並用抽樣審核與異常告警補強。
在機器學習流程裡的具體位置
標註階段：主動學習（active learning）讓模型挑出最不確定的樣本優先給人標，同樣的標註預算能換到更好的模型。
訓練階段：RLHF 用人類對輸出的偏好排序來訓練獎勵模型，本質上就是把人放進訓練迴路。
推論階段：低信心的預測轉人工處理，高信心的自動放行。這是最常見也最實用的形式。
監控階段：抽樣審核線上預測，兼作模型退化的早期警訊。
設計時的三個要點
信心門檻要用成本算，不要憑感覺。 轉人工的比例直接決定人力成本，門檻設定應該由「一次漏判的代價」與「一次人工審核的成本」推出來。
要防自動化偏誤（automation bias）。 人看到模型已經給了答案，傾向直接按同意，審核就變成蓋章。對策包括先讓人判斷再顯示模型意見、混入已知答案的題目檢驗審核品質、以及追蹤每位審核者的推翻率。
人的回饋要真的回流。 很多系統讓人修正了錯誤，但修正結果只存在工單系統裡，從來沒有進到下一輪訓練資料。這樣的人機迴路只是在補破網，模型永遠不會變好。
情境判斷
Q1： 高風險案件需要最終裁決，該不該完全交給模型？ → 通常不該，保留人機迴路會更穩。
Q2： 低風險大量重複工作，還需要人逐筆看嗎？ → 看情況，如果風險低，可以把人工只保留在抽查或例外處理。
閱讀這頁時的常見誤區
只背中英文對照，無法判斷術語的適用情境。先確認定義，再對照完整說明與相關概念，頁面中的考試比重或出題方向，必須和下方標示的資料來源一起閱讀。
相關術語
常見問題
人機迴路會很慢嗎？
會增加人工成本，但通常換來更高的可靠性。
它只適合訓練模型嗎？
不只，線上決策和審核工作都常用。
和主動學習一樣嗎？
不一樣，主動學習是挑資料去標註，人機迴路是整個系統運行時的人類介入。
資料來源
- AITerms.tw 術語資料庫，最後更新：2026-07-29。