現場》當AI說錯台灣，我們失去的是什麼？從繁中語料、內容授權到「主權AI」的下一場戰爭
➤當搜尋變成「問AI」，誰來替台灣回答？
過去想認識一個國家，人們可能打開搜尋引擎，一頁頁閱讀旅行部落格、相關新聞、維基百科、政府網站或Youtube，如今，越來越多人直接問AI。這樣的搜尋結果看似只是少按了幾個連結、閱讀層次與資訊來源，但機制背後的資訊權力結構是完全不同。
搜尋引擎會將把不同資訊來源連結，逐一排列在使用者面前，讀者至少能看見「誰在說話」；生成式AI則是先消化大量資訊，再組成一個看似完整的答案。來源之間可能彼此矛盾、錯誤，或有資訊比例的落差，這些可能都被藏進一段乍看流暢自然，回答得理直氣壯的文字中。這究竟是「AI幻覺」還是AI唬爛？是AI生性狡猾還是不懂裝懂？
當我們向Claude、Chat GPT、Gemini等AI提問：「請簡單介紹台灣」，有AI從客觀地理位置、經緯度、人口數據等逐一回答，最後才提到台灣的地緣政治現況；也有AI單刀直入地直指台灣的社會現狀、政治爭議，從不同的切入角度、側重不同的議題……這些回答，不同於過去是由使用者來選取連結、進一步尋找答案，而是直接包含了「你應該如何了解台灣」的預設。
這些差異本身就值得我們進一步追問：AI是依據什麼來判斷？對台灣的介紹該從地理座標開始，還是從主權爭議開始？如果AI用錯誤資訊描述台灣，可能反映了一個根本、棘手的現實問題：在AI所能讀取、訓練與檢索的世界裡，台灣自己有多少話語權？
陳宜昌是從大型語言模型的訓練經驗開始意識到這個問題。他發現，即使以繁體中文向海外AI模型提問，它仍可能會使用簡體中文回答；即使以繁體字回答，用詞也可能出現台灣較少使用的「軟件」等詞彙。
「要改變這件事，不能只在模型回答完之後修正幾個字，而是得深入模型形成語言與知識能力的源頭，也就是預訓練（pre-training）」。預訓練就是將諸如「川普是誰、桌子的定義是什麼……」這類大量資料，去除雜訊、萃取重要資訊後進行壓縮。接著再丟入模型進行「後訓練」，調整這個機器的行為、讓它可以和人對話。陳宜昌表示，說得直白一點，就是得想辦法用「大量的資料、文本」更改預設的回答，把模型訓練為台灣人。
當足夠多的「台灣語料」進入模型後，它不只知道台灣使用哪些詞彙，甚至連「母湯」這樣高度在地化的說法都能理解。問題是，台灣有多少資料可以拿來「餵」AI？
➤0.5%的困境：AI世界裡，繁體中文語料有多少？
陳宜昌指出，在大型語料庫的語言標籤中，「中文」經常沒有進一步區分繁體中文、簡體中文或粵語。而台灣相關的繁體中文內容，在全球網路語料中的占比可能只有約0.5%。
對開發全球性AI模型的企業來說，英文通常是最重要的訓練語言。當算力與訓練成本有限，開發者可能進一步降低中文資料的比例；而台灣繁體中文原本就只是「中文」資料裡的一小部分，經過一次次篩選後，真正進入模型的比例就更加有限。資料量不足，也會直接反映在模型能力上。
陳宜昌以自身開發經驗估算，即使努力蒐集與清理台灣的繁體中文資料，總量約只有1TB；經過模型的詞元化（tokenization）後，大約只形成0.3 Ttoken。相較之下，一個具有良好基礎能力的大型模型，訓練資料可能至少需要10 Ttoken以上。
即使把能找到的繁體中文資料盡可能蒐集起來，仍遠不足以獨立撐起一個大型模型的知識世界。「資料量是預訓練中最關鍵的環節，但繁中的比例實在太低。」陳宜昌說，這讓「主權AI」變成比「自己做一套台灣版Chat GPT」複雜得多的問題。
➤主權AI，不只是蓋一台我們自己的超級電腦
究竟什麼是主權AI（SovereignAI）？陳宜昌將它拆成三個層次，第一個層次是基礎設施主權：如果發生戰爭、國際通訊中斷或其他極端情況，台灣是否仍擁有足夠的晶片、伺服器、資料中心與算力，維持重要AI系統運作？陳宜昌肯定AI已逐漸進入軍事、政府與關鍵基礎設施的時代：「AI在戰場上一定是未來的趨勢，那我們是不是有足夠的算力，或是這些基礎設施有辦法去維持可以用AI的能力？」這涉及了國家韌性。
第二個層次是文化價值的主權AI：當我們的下一代從小開始向AI問歷史、政治、文化與社會問題，他們得到的會是「誰的敘事」？如果模型訓練資料中的台灣內容極少，AI對台灣的理解便可能長期建立在外部世界如何描述台灣，而不是台灣如何向社會描述自己。「讓我們的小朋友在教育過程中，不因為接觸AI而有錯誤的價值觀」對此，陳宜昌強調「蒐集台灣相關的語料是很重要的事情。」
第三個層次則是生產力主權：AI不只是百科全書，也正在成為工程師、研究者、企業與創作者的工作夥伴。這時候，重要的不只是「價值觀正不正確」，而是模型夠不夠強。
換句話說，「主權AI」其實同時面對三種不同需求：非常時期能不能繼續運作、AI能不能理解我們，以及AI能不能幫我們工作。三者需要的資料、模型與治理方式未必相同。
➤算力比不過科技巨頭，那就製作「AI的小抄」
2026年3月，吳哲宇發起Taiwan.md，起點其實很生活化。他分享自己之前在紐約求學時，外國朋友常問他台灣哪裡好玩、有什麼好吃，但他發現沒有一個網站能讓對方真正理解「生活在台灣是什麼感覺」。他也分享工作夥伴曾在台北建國花市附近詢問AI有什麼好吃的，AI給出的答案卻又落回最典型的台灣印象——小籠包、鼎泰豐。這並不是錯誤的答案，但它太正確、也太扁平。
對以全球資料訓練出來的AI而言，「台灣＝小籠包」是一個統計上安全的答案。但真正生活在台灣的人，腦中可能浮現的是巷口麵店、市場小吃、地方餐館，甚至是「我家巷口吊打」、「拜託不要分享我怕以後要排隊」的當地居民口袋名單。
「我覺得AI對我們來說是一面鏡子，」吳哲宇認為AI不是一個單向幫人類代勞、取代思考的工具，而是能夠映射出人類自身知識體系與價值觀的反射鏡。「如果我可以把自己的人生所有東西都蒐集、做成類似單一事實來源（SSOT）的一個端點，也許，我可以幫台灣做一個知識庫的總來源端點，讓AI在需要取用台灣的知識時，就可以連到這個API的端點去大量取用。」
吳哲宇表示，Taiwan.md想做的並不是打造一個超大型模型，而是建立一份「給人看，也給機器爬蟲、給AI看」的台灣說明書，讓AI在需要關於台灣的知識時，可以直接連接到一個單一、開放的API端點，從中大量且精確地取用結構化資料。
➤不必訓練AI模型，也能把台灣「逆向植入」答案
「我自己把它想成一座數位人類學博物館加珊瑚礁，」吳哲宇將Taiwan.md描述成一個持續生長的「珊瑚礁」，不是試圖一次性寫完一部官方版的「台灣百科全書」，而是讓不同的人逐漸把資料、來源與觀點堆疊上去。這個做法之所以重要，與近年的AI技術變化有關。大型語言模型不一定只能依靠訓練時「背進去」的知識回答問題。透過檢索增強生成（Retrieval-AugmentedGeneration，RAG），AI可以在回答之前先搜尋外部資料，再依據找到的內容組織答案。
台灣不一定得花費巨額資金與全球科技巨頭比誰能訓練出最大的模型，而是把高品質的台灣資料放在AI找得到、讀得懂、容易引用的位置。吳哲宇將這種方式形容成某種「逆向植入」，就像是在模型每次回答問題之前，遞給它一張品質足夠好的「小抄」。吳哲宇分享Taiwan.md的內容目前每天被各家AI引用約5,000至6,000次。
這讓「主權AI」的建立出現另一種可能。主權不一定代表所有東西都要自己製造，也可以代表一個國家有能力建立自己的資料基礎，讓外部AI進入台灣議題時，有可靠的內容可以引用。
➤「台灣觀點」到底是誰的觀點？
但這條路馬上就會遇到民主社會最棘手卻也最重要的問題：如果要建立一份「台灣說明書」，誰有資格來寫？政治、歷史、能源、族群、都市發展乃至飲食文化，台灣內部本來就存在各種不同聲音。若主權AI最後變成由政府建立一套「正確答案」，那麼保護數位主權的工具，反而可能變成抑制多元觀點的極權機器。
對此，吳哲宇主張Taiwan.md應從「唯一真相來源」（SSOT）進化為「多元真相的單一來源」（SSODT，Single Source of Diverse Truths，多元事實的單一來源）。他認為純粹的「SSOT是單一事實來源，其實指的是接口，而不是指觀點的單一。」SSODT要讓多個線性獨立的觀點共存，由讀者自行選擇觀看角度「對於同一個事件或東西，我們有不同的觀點，但它仍然被包在這個文章的容器之內。這些多元的觀點可以同時並列、被看到，它們可以有衝突、有矛盾，甚至完全不相容，但我認為民主社會就是基於我們能夠理解彼此有完全不相容的觀點，但仍然接受這件事情，並且我們能夠討論。所以，這個矛盾本身被保存起來，可以被一起被檢索的時候，我覺得可以很大程度的刺激民眾的思考進展。」重點不在消滅衝突，而是把衝突一起保存下來。同一件事情，可以同時放入不同解釋與彼此矛盾的立場，讓人與AI看見議題的立體性。
如此一來，「主權」就不再等於「只有一個官方答案」，而是確保一個社會內部的多元聲音，有能力被數位世界保存與理解。
➤如果內容都有版權保護，我們能餵AI吃什麼？
然而，資料越重要，另一個矛盾就越難迴避：著作權、智慧財產權。
大型語言模型需要極大量文字，而高品質文字往往來自記者、出版社、作家、研究者與其他專業內容生產者，這些內容並不是憑空出現的，它們由大量人類投入大量時間、金錢與專業與經驗。
2025年台灣發生的中央社新聞語料爭議，便將這個衝突直接推到檯面上。一位台大博士因整理包含約14萬筆中央社新聞的開源繁體中文語料庫而遭刑事追訴，事件後來以和解收場。但對開發者而言，這是一個警訊。台灣原本就缺乏繁體中文資料，若公開網路上的高品質內容又因法律風險而難以利用，台灣AI開發者可使用的資料池只會進一步縮小。（註）
但站在內容產業的另一面，問題同樣艱難。如果以「發展AI」為理由就能大量抓取新聞、書籍與文章而不用支付相應價值，那麼最終承擔成本的，反而是生產內容的人。當媒體、出版社與創作者無法靠內容生存，AI未來可以吸收、學習的高品質人類生產內容也可能跟著減少。
這個思考已從「是否開放AI讀取」是非題，推進到「有沒有可能讓AI得到足夠資料，同時讓創作者得到合理回報？」我們能不能建立一套讓AI合法閱讀、內容生產者也能獲得報酬的市場。
➤把AI當成「另類讀者」，而不是買下整座出版社
陳宜昌提出的解法，是重新思考授權的計價方式。他認為，如果仍用傳統出版業「一篇文章、一張照片、一部作品」的授權使用價格去計算大型模型需要的數十億份資料，AI公司很可能根本買不起。
他也提出另一個思考方向：是否可以把把AI Agent視為一種特殊讀者。假設一般讀者支付一份訂閱費，AI讀者則可能支付兩倍或其他合理倍率。出版社與媒體也可以組成聯盟，建立共同授權機制，讓模型開發者一次取得大量合法、可靠的繁體中文內容。
這套想法的重點，不在「兩倍」究竟是不是正確價格，而是讓AI授權從一次性的高額版權交易，調整成類似訂閱或串流平台的持續性收費機制。如此一來，內容產業不必把所有資料免費送給科技公司，AI開發者也不必面對高到無法負擔的逐件授權成本。
陳宜昌也分享北美市場已出現另一類交換模式，例如美聯社、世界報等媒體提供內容授權，而科技公司則支付一定費用、提供AI技術、網頁導流或其他商業合作。
擁有創作者身分的吳哲宇則是從一開始建立Taiwan.md時，就將它定位成開源公共財，「在無利可圖的情況下，有沒有可能用一個最低成本的方式，生產出對所有人都多少有幫助的公共財？」
他拆除robots.txt柵欄，讓AI爬蟲自由抓取，以推動人類與台灣知識庫的集體進化，並且盡可能降低維運成本。「我盡可能將做資訊架構或維運的成本最低化，壓到一個月大概1萬塊就可以讓它持續增長跟維護。」吳哲宇的目標是讓資料庫即使有一天沒有創辦人，也能繼續存在與生長，「至少在我還沒有燒乾的時候，我可以用自己的資源稍微支撐一下。」
➤AI的「近親繁殖」危機？資料越多，不代表世界越真實
面對繁體中文資料不足，另一個常見解法是「合成資料」（Synthetic Data）。陳宜昌分享道，就是讓AI根據現有內容重新整理、改寫或生成新的訓練資料。這個方法的優勢在於可以迅速擴大資料量。而且，經過重新生成的內容，非直接大量複製原始文章，可能降低部分著作權風險。
但這也產生新的問題：如果第一代AI閱讀人類寫的文章，第二代AI開始閱讀第一代AI產生的文章，第三代又繼續閱讀第二代，那麼經過幾輪之後，模型學到的究竟還有多少是真實世界？
講座現場也有讀者提出對資料世界「近親繁殖」的擔憂，會影響我們對真實世界的認知。例如醫療資料中，某種罕見疾病可能只占真實病例的0.1%，卻具有極高研究價值。如果AI依照既有資料的統計分布生成大量合成病例，那些原本就少見的例外，很可能在一次次的平均化之後逐漸消失。最後得到的資料看似更多、更乾淨，卻可能比原本更不接近真實世界。
陳宜昌用「內插」（Interpolation）與「外插」（Extrapolation）解釋這項限制：大型語言模型擅長的，是在已知資料之間尋找模式、統整資訊、填上最合理的答案，也就是某種意義上的「內插」。但科學突破往往來自既有資料之外，「不建議以AI模型來取代實驗」。如果物理學家沒有真正進行新的實驗，自然界也不會主動把未知現象送進模型。
AI可以整理人類目前知道的一切，卻不能只靠重組既有文字，就發現下一個尚未被觀測的物理現象。AI合成資料只能擴充「我們已經知道什麼」，卻不能取代真實世界持續的新發現。
➤資訊可能沒壞，但文字有「AI腔」
對大部分現在的AI使用者來說，最有感、容易察覺的就是「AI腔」的「語感」。
陳宜昌認為，AI模型的統計機制傾向找到大量文字之間最穩定、最安全的表達方式。當AI不斷閱讀AI產出的文章，罕見的句型、奇怪但精彩的比喻、個人化節奏與不按牌理出牌的幽默，就可能一次次被修掉，最後留下的是一種「平均值」。
吳哲宇也在實際操作中發現類似現象，如果讓AI反覆讀取舊的AI文章再進行改寫，原本文章的缺陷、結構與語氣會一代一代被繼承。因此，他會盡量限制這種反覆迭代改寫，約2到3次，就必須重新回到原始、第一手資料的閱讀與生成。
人類寫文章給AI學，AI寫文章給網路看，下一代AI再把那些文章學回去。如果這個循環不斷持續，網路上的文字可能越來越多，真正來自人類生活經驗的新資訊與新語感，比例卻越來越低，這會否成為AI時代陷入恐怖循環的警世寓言呢？
➤AI時代，「不像平均值」反而越重要
陳宜昌指出兩項人類具有優勢的能力：獨特觀點，以及幽默感。原因恰好與AI強大的地方相反。大型語言模型之所以能寫出流暢、安全、四平八穩的文章，就是因為它非常擅長從龐大資料中找到「平均而言最合理」的下一句話。
但創作最有趣的地方，經常恰恰不是平均值。一個沒有人想過的比喻、一個不合常理卻精準的觀察、一句只有特定世代才懂的笑話，甚至故意打破文法與節奏的句子，可能來自個人的獨特生命經驗與思考。
AI或許可以讓創作者跑得更快，但AI最習慣的結構、詞彙與節奏，最後也可能讓所有人都跑向同樣的地方。對此，兩位講者的建議並不是拒絕使用AI，而是善用AI的能力，但不要讓自己的作品被它影響、被拉到平均值。
➤當AI可以完成80%的工作，人類要做什麼？
吳哲宇承認自己也曾對生成式AI感到生氣與不安，但實際使用後，他認為創作者更應該思考的是：哪些工作可以交給AI來加速製作進度？寫程式、整理資料、建立基本架構與大量執行性工作，都可能被大幅加速，但他認為文學性、圖像性的創作者如作家或畫家「應該更堅持在自己最想要創作與藝術的品質的層面，但是其他可以被加速的，盡可能用AI來加速。」
做為新媒體藝術家，吳哲宇形容自己更像一名導演，作品仍然是自己的，但中間大量機械性的執行，都可以透過AI更準確、有效率地完成，「因為我們沒有辦法讓時代停下來等我們，那我們就試著跑快一點。」
陳宜昌則以「八二法則」形容未來的人機分工：如果AI可以完成80%的例行工作，人真正的價值便集中在剩下的20%：定義問題、判斷方向、監督結果，以及決定什麼東西值得被創造。而這20%並不是固定的，就像蒸汽機、鐵路與電腦出現後，人類並沒有單純「把原本的工作做完」，而是創造出過去根本不存在的新需求。
「隨著人知道AI的能力在哪裡，人的需求又會再擴展。不用很悲觀的覺得5年後就沒有工作，5年後可能沒有『現在的工作』，但是人會為自己增加新的工作。」陳宜昌說。
➤主權AI最後爭的，其實是「誰有能力留下自己的版本」
AI時代的知識是怎麼被生產、保存、授權與重新分配的？過去談「數位主權」，人們想到的是伺服器放在哪裡、晶片由誰製造、資料中心由誰控制。但生成式AI帶來另一個層次的主權問題：如果一個國家擁有晶片與算力，卻沒有足夠的內容讓AI理解自己的歷史、語言與社會，它仍然可能無法掌握自己在數位世界中的樣貌。
但換個立場，如果為了增加AI語料，就要求媒體、出版社、作家與創作者無條件開放作品，也可能摧毀生產優質內容所需要的經濟基礎。
除了劃分「開放」或「保護」的那條界線，我們是否能建立不同層次的資料使用收費制度？哪些知識應成為人人可使用的數位公共財？哪些專業內容需要付費授權？AI應該如何付費閱讀？而政府、民間社群、出版產業與科技公司，又該各自負責哪一部分？
當AI開始成為人類理解世界的入口，一個國家如果沒有能力持續生產、整理並讓機器讀懂自己的資料，就只能讓其他人、其他語言來寫下答案。當有人要求AI「請跟我介紹台灣」時，真正展現AI主權的不是期望世界得到一份標準的答案，而是確保在這個答案裡，始終有足夠多來自台灣自己的聲音。●
閱讀通信 vol.398》不要碰我的日記本
手指點一下，您支持的每一分錢
都是推動美好閱讀的重要力量
定期贊助
單筆贊助
300
500
1,000
成為Openbook贊助之友
300
500
1,000
成為Openbook贊助之友
陳愷昀（文字工作者）
張震洲 2026-09-10 11:00 真人認證中請稍候, AI, Taiwan.md, 內容授權