台灣的 AI身體已經抵達，大腦卻還在組裝 台灣在晶圓代工、先進製程、先進封裝、測試與 AI 伺服器製造上具有世界級影響力。台灣積體電路製造公司的2025年年報顯示，AI 與高效能運算需求持續推動公司營收與技術布局；而全球 AI 產業，也持續依賴台灣製造的先進晶片。（台灣積體電路製造公司，2026年4月） 但這就代表「台灣的半導體優勢」擴大解釋成「台灣所有AI能力都已經世界第一」了嗎！ 台灣強大在於科技製造、整合與供應鏈協作乃無庸置疑；至於記憶體製造、AI加速器架構、雲端平台、基礎模型、開發者工具與全球AI應用生態或許並不是同一件事。以記憶體為例，韓國在DRAM與NAND 仍具有高度主導地位，台灣並不能把所有半導體領域都概括為全面領先。（Invest Korea，2025） 這個差別很重要，因為AI的價值鏈至少包括晶片、模型、資料、算力平台、作業系統、工具鏈、人才、使用者回饋與產品服務。晶片是入口、但不是終點；代工能力可以讓別人的模型跑得更快，卻不一定能讓台灣自己產生更好的模型。 因此，台灣如果只把AI戰略理解成「多蓋幾座資料中心、多買幾張 GPU、多接幾條伺服器產線」，就像是一個人不斷在鍛鍊肌肉，卻沒有建立記憶、教育、語言與判斷能力。身體很強，卻不知道自己要往哪裡走。 錯覺：晶片很強，不代表一個國家已經懂得思考 中國模型的崛起正好讓這個問題浮上檯面。DeepSeek 並不是完全沒有高階晶片，也不是在沒有算力的情況下憑空創造的大模型。DeepSeek-V3 技術報告指出該模型採用6,710億總參數、每個token 約啟動370億參數的 Mixture-of-Experts架構，並結合 Multi-head Latent Attention、DeepSeekMoE、FP8 訓練與大規模資料工程；訓練資料達14.8兆 tokens，完整訓練約使用 278.8 萬 H800 GPU 小時。（DeepSeek-AI，2024年12月） 換句話說，DeepSeek 並不是證明「沒有晶片也能做 AI」，而是證明晶片差距並不一定等於模型差距；演算法、資料、架構與系統工程，能夠把有限算力轉化成更高的模型能力。DeepSeek-R1又透過強化學習，讓模型在推理過程中形成反思、驗證與多步演算能力，並開放多種蒸餾模型，使其他研究者可以快速吸收成果。（Guo等，2025） 這也是我們最需要理解的地方。AI的競爭不只是「誰買到更多晶片」，而是「誰能讓每一元算力產生更高的模型能力」。誰能降低訓練成本、提高推理效率、改進資料品質、建立更有效的模型路由，誰就可能在硬體條件不完全占優勢的情況下，快速縮短差距。 三路追趕：DeepSeek、Kimi K3 與 Seedance 正在展示什麼 如果只談 DeepSeek容易讓人以為中國 AI 的進步只是一個推理模型的偶然突破。事實上，近兩年中國 AI 的追趕已經分布在不同方向。 第一條路是 DeepSeek代表的「推理與效率」。 第二條路是 Moonshot AI 的 Kimi K3 所代表的「長上下文、Agent 與任務執行」。 2026 年 7 月，Moonshot AI 發布 Kimi K3，主打 2.8 兆參數稀疏 Mixture-of-Experts、原生視覺能力與 100 萬 token 上下文，並將模型用於長程程式開發、知識工作、工具調度與 Agent Swarm。（Moonshot AI，2026年7月） Kimi K3 不只是參數大，而是它逐漸把 AI 從「回答問題的聊天模型」，推向「可以拆解任務、呼叫工具、長時間執行工作的代理系統」。Kimi 官方資料也顯示，其 Agent 產品已經整合文件、網站、資料分析、簡報、深度研究與多代理協作等功能。（Kimi AI，2026年7月） 這裡出現一個值得大家注意的轉變：AI 的競爭焦點，正從「模型回答得像不像人」轉向到「模型能不能完成一項複雜工作」。 第三條路則是 ByteDance Seed 團隊的 Seedance 2.0 所代表的「多媒體生成與影音系統」。 2026年2月，ByteDance Seed 發布 Seedance 2.0，將文字、圖片、聲音與影片納入同一套多模態影音生成流程，並強化複雜動作、物理效果、視覺真實感與內容控制。（ByteDance Seed，2026 年2月） Seedance 2.0 的意義在於AI 競爭已不只是語言模型之間的競爭。當文字、影像、聲音、角色、鏡頭與剪輯開始被整合在同一系統中，AI正逐漸進入短片、廣告、教育、新聞、影視與社群媒體的內容生產流程。 當然，Seedance與Seedream的快速發展也伴隨著真實人物肖像、著作權、角色模仿與內容安全爭議。這提醒我們，多媒體 AI 越強，治理、授權與可追溯性就越不能被忽略。因此，DeepSeek、Kimi K3與Seedance 2.0，並非代表三個排隊比較誰最強的模型，而是三種不同的發展方向： DeepSeek如何以演算法與系統工程提高算力效率；Kimi K3如何讓模型執行長程任務與工具協作；Seedance 2.0-2.5如何把模型變成多媒體內容生產系統。 根據以上經驗，台灣真正需要追問的不是「我們有沒有一個模型可以完全複製它們」，而是「我們是否正在建立自己的模型分工、資料平台與應用系統」。 裂變：模型越多，不代表世界越整合 截至2026年3月，Stanford AI Index 指出美國與中國頂尖 AI 模型的性能差距已縮小到約2.7%，兩國模型自2025 年起多次交換領先位置。（Stanford Institute for Human-Centered AI，2026年3月） 雖然這不表示中國已經全面超越美國，也不表示美國仍然只靠晶片就能永久保持領先。它在說明當一個國家擁有足夠的人才、龐大的市場、持續的資料回饋、長期資本與強大的工程團隊時，即使硬體條件受到限制，也可能透過模型架構、資料工程與軟體最佳化快速縮短差距。同時，世界也沒有因此走向單一 AI。 相反地，未來可能出現更多具有不同資料來源、不同法規環境、不同語言文化與不同價值排序的AI 技術圈層。美國擁有強大的雲端平台與封閉模型，中國發展多種開放權重模型、Agent 工具與影音生成系統，歐洲則強調資料治理、風險分類與合規框架。這也正是我在前年所提出「算法鐵幕」的理論。 因此，AI 的裂變不只是模型之間的競爭，也是資料主權、算力供應鏈、法律制度與文化記憶之間的競爭。台灣如果只看見晶片，卻沒有建立自己的資料與平台，就可能成為各國 AI 的製造基地，卻無法決定 AI 如何理解台灣。 平台：真正的整合，不是全球只剩一個模型 「算法鐵幕」的核心概念強調未來的AI不一定只會由一個超級模型統治全球，這也是因為各區域之間不同意識形態、認知與文化差異等所造成。（風傳媒，2025-01-02） 此外，完整服務可同時串接多個模型：文字模型處理文章，推理模型處理複雜問題，視覺模型辨識影像，語音模型處理地方語言，RAG 系統提供領域資料，Agent 系統負責呼叫工具與執行工作。 表面看起來是一個AI，背後其實是一個模型群。這種整合可以透過模型路由、RAG、工具鏈、模型合併與 MoE 等方式完成。雲端大型模型可以作為神經中樞，小模型則在地方設備、手機或邊緣端執行；中間再由資料庫、權限系統、語音服務與工作流程把能力串起來。 這也說明，AI平台的價值不只是模型本身，而是模型能否進入一套可持續運作的工作流程。 如果台灣沒有自己的平台，即使擁有世界最好的晶片，也可能只是替別人的 AI 提供肌肉，而不是建立自己的神經系統。 小雞試飛：一個原鄉平台如何把AI變成公共資訊系統 全自動化的「原傳媒AI」表面上只是一個服務原鄉的數位平台，規模不大，也沒有把自己包裝成下一個 ChatGPT。但它比較像一隻還沒有長大的小雞。但這隻小雞正在練習的，不只是回答問題，而是如何在一個地方社會裡，讓資訊被看見、被理解、被分類、被轉譯，最後重新回到居民的生活之中。 例如，「55原鄉社區動態編輯台」公告索引嘗試把分散在不同公所網站、不同格式與不同更新速度的資訊，依照最新公告、產業農業、防災交通、文化活動與社福醫教等類別重新作整理。 「地景跳躍雷達」則把地名、道路、水系、雨量、水位、地形與官方警戒放在同一個空間框架裡，協助使用者理解某一則警戒到底與哪一條道路、哪一座橋、哪一個聚落有關。 「農業科技掃描」與「AI驅動原鄉產經觀察」則把官方農業資訊、新品種培育、地方產業變化、課程與補助消息轉化成居民與農民較容易理解的內容。 「雙向知識實驗室」則嘗試整合族語 ASR、TTS、中文與族語轉換、OCR、RAG 與文化資料治理。這裡真正重要的，不只是能不能做出母語模型，而是誰有權決定哪些知識可以公開、哪些只能在授權社群內使用，以及哪些資料不能被模型訓練。 「災防模組」不取代官方警戒、撤離命令或專業判斷；它只負責官方資訊轉譯、風險提醒與資料比對。未來若導入居民手機拍攝的道路、橋梁、農業、生態與部落活動影像，AI 也只能先進行預審、辨識時間與地點、產生新聞稿或字幕草稿，再交由人工確認，不能自行發布或啟動災害流程。 這些限制看似保守，實際上卻是成熟 AI 系統不可缺少的部分。因此，真正可靠的AI不是什麼都敢回答，而是知道什麼事情不能自行決定。 記憶：母語模型之外，誰有權保存一個社會的故事 台灣如果只把 AI 戰略簡化成「能不能做出一個台灣版母語模型」，仍然不夠。真正重要的問題是： 誰有權決定哪些傳統知識可以公開？ 哪些內容只能由特定社群使用？ 哪些知識可以被檢索，卻不能被模型訓練？ 哪些資料需要部落授權、知情同意與使用期限？ 傳統醫療、夢占、祭儀、藥用植物與部落歷史，不應該被當成普通網路文字，全部丟進一個不透明的模型裡。 所以雙向知識系統真正要建立的，不只是語言辨識能力，而是一套文化資料治理制度：公開資料、限制資料、部落授權資料與不可訓練資料，必須有清楚邊界。 模型可以從國外購買，GPU 可以從國外採購，雲端平台也可以租用；但一個社會願意把什麼交給 AI 記憶、如何保存自己的文化、如何讓資料回到社群手中，這些問題不能全部外包。 結語：台灣下一步要製造的，不只是晶片，而是自己的 AI 作業系統 台灣當然要繼續守住半導體優勢。 晶片、先進封裝、伺服器、能源與資料中心，仍然是人工智慧不可或缺的基礎。但如果台灣只停留在供應鏈上游，讓別人設計模型、掌握平台、保存資料、控制使用者入口，台灣就可能成為AI時代最重要的製造基地，卻不是最重要的規則制定者。 下一場 AI 競爭，不只是誰的晶片最多，而是誰能夠同時建立： 自己的 AI 記憶；自己的資料治理與授權制度；自己的模型路由與作業平台；自己的語音、影像與多媒體工具鏈；以及真正深入地方、產業、醫療、農業、文化與教育現場的使用回饋。 原傳媒AI的價值不在於它在未來將生長成一個自動化的公共廣播集團，而在於它顯示了一條可能的路徑：從一個服務55原鄉的小型平台開始，慢慢把公告、災防、地景、語音、文化、產經、影像與地方回饋串起來。 它像一隻還在成長的小雞，卻已經開始練習如何建立自己的眼睛、耳朵、記憶與神經。 因此，台灣真正需要的不只是更強的 AI 身體。我們還需要讓這個身體知道自己記得誰的故事、服務誰的生活、守護誰的土地，以及在面對未來時，究竟要往哪裡走。 ＊作者為大學教授、原傳媒AI系統建置者。
评论 (0)