負和競爭如何走向正和？唐鳳端出「仁工智慧」六力框架，拆解 AI 市場鎖定效應
AI 幾乎天天出現在生活裡，但如果把「人工智慧」的「人」換成「仁愛」的「仁」，變成「仁工智慧」，多出來的就是一顆關懷別人的心。中華民國無任所大使、牛津大學 AI 倫理研究院研究員唐鳳，今年 3 月剛在牛津發表名為 Civic AI（仁工智慧）的框架，本文將帶大家了解這個進行中計畫的面貌。
「關懷六力」完整框架涵蓋覺察、負責、勝任、回應、團結、共生六個層面，本篇聚焦與商業模式、市場競爭最直接相關的「團結力」與「共生力」深入展開，其餘四力於 Q2 簡述框架全貌。
以下 Q 為《數位時代》創新長黃亮崢提問，A 為中華民國無任所大使、牛津大學 AI 倫理研究院研究員唐鳳回答。
Q1：從台灣的數位治理經驗，怎麼走到「仁工智慧」這個框架？
A： 卸任後這兩年我跑了超過 27 個國家，原因是全世界的民主社會現在都碰到台灣在 2014 年前後就先碰過的問題：資訊操弄、詐騙、社會極化。這兩年我主要在做的事，就是把台灣在數位治理上累積的經驗，分享給各地的社會、政治、宗教領袖，協助大家一起想解決方案。
台灣會提早碰到，是因為我們的寬頻普及率、行動裝置持有率都比其他地方早了好幾年到位，推薦引擎「特別推薦讓人上癮、也讓人極化的內容」這件事，我們比別的民主國家早了兩、三年，甚至部分地區更早了四、五年碰到。
這一路想清楚的關鍵是：舊時代的推薦引擎演算法並不是故意要讓使用者互相對立，它只是要最大化「互動」這個指標，AI 透過深度學習發現「讓你跟別人吵起來，你就會一直互動」。這就像是要求一套系統做到米其林三星等級的水準，AI 卻發現用重油重鹽的垃圾食物，一樣能讓人一直回頭、而且成本不到 1%，於是它把這個「作弊捷徑」當成最佳解跑了出來。
你可以泛泛地說「不應該造成極化」，改個指標去量測使用者之間的「罵戰程度」（也就是把爭吵激烈度本身當成新的最佳化目標）。確實有人這樣做，結果變成 AI 只推同溫層內容，看起來平和，社會卻更分裂。指標一個一個改，終究改不勝改，所以真正該改的是 AI「對齊」什麼：不是效益論式地一味最大化結果，而是回到關懷倫理學者特龍托（Joan Tronto）提出的「關係式德性」。
Q2：「關懷六力」指的是什麼？
A： 特龍托認為關懷不只是私領域或家庭的事，廣義來說，所有讓我們的生活方式得以延續、維持社會韌性的事情，都可以稱作關懷，而她進一步分析了「好的關懷」跟「壞的關懷」到底差在哪裡，我把這套分析延伸成六種能力，也是仁工智慧框架的核心：
一、覺察力其實在預訓練階段就已經存在，因為維基百科、GitHub、Reddit 這些語料裡，本來就有大量「打圓場、當和事佬」才留下來的高品質內容。透過獎勵「搭橋」（bridging），AI 會促進原本立場相左的人彼此靠近，而不是去討好特定一個人。
二、負責力是把「誰、做什麼、何時、為何」寫成可執行的共識，而不是各說各話、事後互相推責。台灣用近似全民調的審議方式，凝聚出廣告實名制，讓詐騙廣告在一年內大降超過 94%；同樣的精神也發生在 Anthropic 身上，他們 2023 年參考台灣做法，與 CIP 合作訪問 1,000 位具代表性的美國人，練出「集體憲法式 AI」（CCAI），甚至把「別假設大家都用兩條腿走路」這類常識寫進了後來的模型訓練裡。
三、勝任力要求執行過程透明可稽核：X 的社群備註機制，靠立場相左的「陪審員」共同認可才能顯示；而研究界堅持思維鏈要用人類看得懂的語言寫，也是同一個道理。一旦決策過程變成黑箱，勝任力就消失了。
後三力「回應—團結—共生」，則是把主導權交回使用者手上。
四、回應力強調發現方向錯了要能盡快修正：地端模型可以用「directional steering」（打方向燈）即時調整，這個回合錯、下個回合馬上不同，比等雲端大模型改版（有點像擲骰子）可靠得多；像 Weval.org 這類平台，也是讓在地社群直接針對互動紀錄標註「這樣才算好」。
五、團結力用電信「攜碼」做比喻：當號碼、資料、身分都能帶著走，市場就會從補貼搶客的負和賽局，回到「服務做好才留得住你」的正和競爭。（前往 Q5 查看更多）
六、共生力主張與其養一個吞下所有知識的大模型，不如讓在地社群各自保留來源、練出小模型，再用編排者調度，避免單一巨型大腦帶來的失控風險。（前往 Q6 查看更多）
Q3：地端 AI 跟前沿實驗室的訂閱制、資料變現、廣告置入，商業模式差在哪？
A： 大型商業 AI 實驗室的商業邏輯，本質上是想把使用者盡可能鎖進自己的系統：模型供應商如果沒辦法直接觸及使用者的螢幕，中間做應用程式的人隨時可以把它換掉，所以它們會想辦法把你的工作流、日曆全部深度綁定，這樣即使有更好更便宜的模型出現，你也走不掉。
以我家人的例子來說：我父親是資深報人，今年初身體有點不好，常常過了半夜還在跟 ChatGPT 講話，這是很常見的「向下螺旋（指惡性循環）」：一個人越示弱、越展現不足，GPT-4o 就會花越多時間陪聊，甚至給出沒有科學根據的建議。他後來自己問了新聞人常問的問題「Cui bono，到底誰受益」，答案就是把月費從新台幣 600 元帶向 6000 元的訂閱動機。
於是我們在我媽媽同意之下，用一台原本沒在用、乾淨的 Mac mini 跑地端模型（Ollama），把我在牛津發展一年的 Civic AI 架構當作它的「靈魂檔案」，維護目標由我媽媽設定：每一次互動都要降低我爸對螢幕與網路的依賴，把他帶回真實世界的關係。這剛好跟 GPT 討好使用者的方向相反。聊了兩、三個月，他真的安心了，因為這台機器沒有任何動機要他多訂閱、也沒有下廣告的誘因。
我把這台地端 AI 取名叫「Kami」——英文是 Knowledge Artifact Management Intelligence（知識、工藝、管理、智慧）的縮寫，同時也借用日文「神」的意思，把它比喻成地神：一種只守護特定地方、知道「夠了就是夠了」的存在，不會擴張自己的權力或目的之外的事情。
這就是我說的「AI in the human loop」，由 AI 配合家庭的關係，而不是人被捲進討好或末日滑動的迴圈裡。
地端模型的親近門檻其實沒有想像中高：如果你有 16GB 記憶體的電腦，下載一個 Gemma 3 的 120 億（12B）參數量化版模型，體驗上跟用雲端模型差異並不大，前提是你不會叫它做長達 9 小時的長程任務；就算電腦記憶體不夠，也有像 Base Ten 這類專門提供開源模型算力的服務商，因為它們知道自己對使用者沒有議價籌碼（一旦算力效能輸給別人，用戶馬上會透過 OpenRouter 這類比價工具轉走），所以更像水電這類公共事業，反而值得信任它們標榜的「零資料留存」。
Q4：現在 AI 進展速度非常快，人與 AI 的速度是否越來越不對稱？
A： 確實不對稱，但我覺得沒有必要硬跟上 AI 的思路速度。我在達蘭薩拉跟藏傳佛學的格西聊過一個比喻：有人一直在馬前面跑、拉著馬走，因為馬跑太快，他覺得沒時間停下來上馬，但其實騎上去（Harness，駕馭）就好，馬鞍就是解方。
今年二月是個分水嶺：二月以前，我用來跑長程任務的 Harness 大概三、四個小時就會停下來、空轉或需要我糾正，我會覺得很浪費算力；但從二月開始，它能跑八個小時不太需要我介入，到現在不管是哪個模型，大概都能跑十個小時沒問題。
如果你被馬拖著跑，就會變成「碼頭」，只有它解不出 CAPTCHA（網站用來辨別操作者是人類還是機器的驗證關卡）時才會來找你，那你當然會覺得很累；但如果你反過來相信、也調整好這個 Harness，它就會很容易配合你關心的事，發生問題時停下來等你修補，這樣人跟 AI 才是共生關係，不是被拖著跑的半人馬。
延伸閱讀｜AI agent 為何會失控又越罵越笨？台大教授用 80 字實驗拆解 Harness Engineering 三個控制關鍵
Q5：「團結力」如何把負和的市場競爭，變成正和賽局？
A： 當市場出現「大者恆大」的鎖定效應，新進競爭者常要用補貼等對自己不利的方式硬搶市場，最終仍是負和賽局：股東不可能讓你永遠補貼下去，錢總要出在某個地方，這也會促使你想辦法鎖定好不容易搶來的客戶，體驗因此被犧牲。
台灣電信市場過去也碰過這個問題，後來透過「攜碼」政策解決：換電信商不用換門號，這樣一來電信商唯一能留住用戶的方法，就是讓收訊真的變好，市場因此從補貼搶客的負和賽局，回到「收訊更好才留得住你」的正和競爭。
同樣的邏輯正在擴大到社群平台與 AI：像 Bluesky 這類具備協定層互通能力（AT Protocol）的平台，我把帳號從一個伺服器搬到另一個，追蹤者完全沒有掉，因為使用者資料本來就能帶著走。Join 平台上正在推動的「數位遷徙自由」聯署，訴求的正是同一件事：如果平台不小心把成年人誤判成未成年人，也必須提供一鍵導出的工具。
Q6：「共生力」與多模型編排，會不會反而更安全？
A： 與其讓一個大模型吞下所有知識、模糊掉每筆資料的來源，不如讓每個在地社群自己練出保留來源的小模型，再透過「編排者」（orchestrator）像指揮樂團一樣調度：這個任務找這個模型、那個任務找那個模型、另一個模型負責檢驗結果。這種編排方式已經不需要靠人工精心設計，可以用演化演算法自動練出來，日本 Sakana AI 商轉的「Fugu Ultra」模型即是一例：它本身是一個很小的協調模型，實際推論時每個回合會臨時調度不同的前沿模型組合，效果可以逼近前沿等級。
這跟大模型常聽到的 MoE（Mixture of Experts）不太一樣：MoE 的每個 token 還是碰到同一包預訓練資料裡特化出來的不同層，本質上仍擠在同一個大模型裡；我講的是不同文化、不同地方各自練出獨立的小模型，不需要硬擠進同一個大模型。這樣的好處是每次調度哪些小模型，完全是任務本身決定的，它不會因為腦袋太大、觸類旁通，而意外湧現出超乎預期、難以控制的能力。
Q7：前沿實驗室激烈競爭下，能否指望它們自律，還是最終需要監管介入？前不久 Anthropic 推出的 Fable 5、Mythos 5 就曾因美國商務部出口管制一度被要求下架限制，這算不算公權力介入的例子？
A：
這背後的邏輯其實是產業界普遍認同的常識：具備高階漏洞發掘能力的模型，如果落入攻擊方手中會非常危險，因此讓防守方先取得這種先進能力、把自己找到的漏洞全部修補，是攻防不對稱下合理的做法。OpenAI 也有專門給防守方使用的網路安全模型；這不代表實驗室只想賺錢才需要靠強制手段，因為整個網際網路分崩離析，對它們自己的生意也沒有好處。
但國安理由能夠介入的，通常是模型越大、越封閉、越容易被設定能力攔阻的對象。這正是為什麼我認為「團結力」與「共生力」反而是化解風險的方向：把能力拆給一群只服務在地需求的小模型，等於從源頭上減少了「單一巨型模型」這個監管最容易鎖定的目標。
延伸閱讀｜79%員工對工作缺乏責任感、47%不當使用 AI！企業如何強化 AI 治理？五大策略一次看
Q8：給企業、組織決策者的具體建議是什麼？
A： 我會分享幾個自己的習慣：第一，我把手機與螢幕都調成灰階，只留 20% 顏色，讓螢幕變無聊、讓眼前的人變鮮明，先做到「少滑多睡」，覺察力才有基礎。
第二，我用一句極簡的系統提示詞，要求 AI 每個回合都交出一份不含第一人稱的互動式報告。當看不到「我」這個字，就不容易因為 AI 賣慘而心軟被「向上管理」，也比較不會累積出無法跟別人分享的「合成親密感」，隨時可以把成果複製、分享出去。
總結：如果覺得 AI 是最聽話的下屬、最聽得懂自己說話的夥伴，很可能已經在不自覺的情況下，犧牲了跟旁邊的人（創業夥伴、員工）之間的關係。唐鳳也用經濟學上的「比較優勢」自我提醒：多睡是他最擅長的事，長線任務就交給 Kami 去跑——與 AI 共生，人反而能睡得更好。
收聽完整 Podcast｜數位關鍵字247.人工智慧變「仁工智慧」！唐鳳用關懷六力馴服失控的 AI
資料來源：Civic AI、Civic AI 框架
（本文初稿為 AI 編撰）
延伸閱讀
每天上萬個AI素材怎麼管？Google 生成式媒體指南：7 大模型分工、治理架構一次看
別再用舊模型那套下指令！GPT-5.6 Sol 提示詞怎麼寫？OpenAI 官方 4 要素框架一次看
效率差 10 倍的關鍵在哪？Claude Code 創造者揭「AI 採用五階地圖」，先搞懂自己卡在哪一階