唐鳳

其實 Cyber Ambassador 是一個很有趣的職位。具體來講，過去兩年擔任這個職位，已經跑了大概 28 個民主國家。沒有，沒有去專制國家。那意思就是說，大部分的民主國家都去過了，因為數量在減少中。

對，那所以大概就是想要解決一個我們之前在 2014 年的時候，那時候 g0v 剛開始兩年就碰到的問題。大家都覺得鍵盤參政，或罵什麼很爽，但是實際上沒有造成政策改變。所以就會變成，在上面花愈多時間的，就是愈偏激的；不管左派還是右派，最偏激的。那所以到最後，大家就覺得好像我不能不上網，因為我朋友都在網路上；可是我每次上網，都會被拉到最偏激的那一邊。然後整個民主制度就因此開始往民粹、獨裁或者威權等等傾斜，所以民主的個數就愈來愈少了嘛。

那我們當然是因為有一套「地熱民主」的方法，所以就是吵歸吵，但是大家在別的事情上面，還是可以達到快速的一致。甚至反過來，透過這個更大的民主，去要求本來的民主制度做成修改。

但我的意思是說，我們想出這套方法，並不是因為資訊工具的關係，而是因為臺灣社會部門本來就有的正當性。好比說，我們辦黑客松的 中研院 的正當性，以及來一起共襄盛舉的那些 NGO、CSO 的正當性，本來就比政府高了。但是在其他國家，你要怎麼樣發明一套制度，是可以把類似 g0v 這樣的東西掛上去，然後它的正當性還要比兩大黨都高，這其實是不容易的事情。

所以我過去跑了二十幾個國家，大概就是在幫助這些國家的公民社會，去建立我們 2014 年那個時候建立的一套中介制度。這是我的正職，就是正式在做的事情。

剛剛布丁也問到，這樣子做的事情，確實感覺上就是跟我們在藝立協、在開源社群，從當時的 P3P 、 OSDC 、 COSCUP 等等，基本上都是相同的事情嘛。就是去示範、去 demo，然後去轉譯說：「欸，這一套在這裡可以用；欸，在那裡稍微換一下，同樣的工具也可以用。」然後去進行連結。

就是剛剛講到，設計制度跟設計程式碼的，彼此看起來雞同鴨講；但是只要透過一些轉譯的模型，其實會發現你們在做的是同一件事情。所以對我來講，做的事情是相同的，並沒有說好像我不同意哪個階段自己的這個問題。

對我來講，我從碰到網際網路，就是 12 歲的時候開始，就養成一個習慣：我每次做到一個段落，我的 context window 就只有一天，上下文只有一天。那一天沒有想清楚、沒有想好怎麼樣，就算是還不成模樣，我都儘可能會 push 上去，讓大家能夠看到，然後在我睡覺的時候指出我錯誤的地方。

這樣子的話，我一醒來，第一個，可以交到新朋友，可以練肌肉；第二個就是，就算我醒不來，那也沒有關係嘛，至少我想到一半的東西，別人可以接下去想。所以我每天可能都不同意前一天的自己，但是我也沒有覺得前一天的自己一定要延續下去。因為反正他的這些錯誤和缺口，就是光的入口嘛，是大家共創的一個材料。那看 Tenzin 有沒有要分享的。

達賴喇嘛辦公室。

很棒。

好，沒關係，沒關係。就是你大概記得就好了。

就是小的社區嘛。

對。剛剛那個問題是說，小的社區要怎麼樣去確保，他們實際上在用的，包含教育、醫療這些生活上的東西，可以結合 AI，而不是好像一下子什麼東西都被 AI 碾過去了的這個概念嘛，基礎機能的互助。之前 Tenzin 去過兩次達蘭薩拉，那我去過一次。第二次是跟我們在牛津的那個研究群一起去的。達蘭薩拉其實他們自己練自己的 AI 模型，已經滿長一段時間了，現在是用 Gemma 當作底座來練，之前也跟 DeepMind 有一些這方面的合作。主要原因就是，其實有點像 OpenAI 一開始在練 GPT 的時候，其實它也不知道怎麼跟在地的社群合作，這並不是他們當初研究的題目。那時候好像 冰島 的總統還是誰，剛好在那邊訪問，然後就說我們有一批好便宜的語料。那樣的情況，他整個第一時間 day one 就支援冰島語。所以有的時候就是，你要知道那個語料要怎麼樣子去進入這個模型的訓練過程，這個就變得非常重要。所以同樣就是說，他們跟 Gemma 那邊有一些結合。

所以大家可能知道 Gemma 現在的走向，就是它不去跟你拼什麼都會；它不是說今天摺蛋白質、明天摺衣服、後天摺迴紋針，什麼都會摺的那種全能型模型，而是說，我就是有一個小小的 Gemma，叫 TranslateGemma ，專門把藏語翻譯好。然後我有另外一個小小的 Gemma，專門去做可能是我們在寫作的時候做 fact checking，我們現在做 grounding 嘛，grounding 的題目。那又有一個小小的 Gemma 做這個、做那個等等。

所以到最後就變成說，像他們最近出的那個，就是即時聽語音嘛，也沒有說真的特別準，但是特別快啦。所以就是說，小模型可以跑地端，而且跑得特別快，變成它主要的賣點。它就是在賭說，如果你知道你要做什麼的話，那你繼續去後訓練這種小模型，讓它跑得特別快，對你來講，單位投資的時間跟成本都是非常非常低的。你只有在不知道自己要做什麼，也不知道下一個問題會是什麼，所以才需要花那麼多錢去預訓練大模型，或去付很貴的 token 費用。所以就跟達蘭薩拉現在這個問題完全一拍即合。他們也不是只訓練一個中等模型，他們是用佛教因明學的概念去訓練 grounding 的模型，去確保哪些是戲論、哪些是有意義的等等。

他們有一套訓練 pipeline，然後也有一套專門把不同的藏語對應到那個地區正確的藏文去轉譯。而且像達賴喇嘛尊者，他有相當多的錄音，所以你可以專門針對他一個人做語音辨識等等的動作。所以他其實在 Hugging Face 上面有一整個系列的小模型，每一個就是用來解決他們非常實際的民生、轉譯，或者是辯經需要用的等等，這些生活機能的輔助。這一套做出來的好處就是，因為它在地端就可以進行微調、後訓練，所以其實很多參加的人並不是在達蘭薩拉，甚至不在印度，可是因為他們是藏傳佛學的愛好者，而且碰巧手上有很多算力，所以就可以很容易地 pool 起來進行捐助。這個就比實際把東西運到那邊捐助，對很多人來講，「我捐算力，幫你把研究做得更好」，很多人確實有閒置算力可以捐。

就是會削足適履的部分。這個是很能夠連到下一個問題。

是。

是是是，很棒、很棒。

不過韓國的題目是這樣，就是說他們是用有韓國價值的 AI，然後並不是直接補助你隨便去做什麼的算力喔，不是給你 OpenRouter 或什麼 Venice 上面的算力，而是說，基本上就是那些具有韓國特色之類的，就是御三家，充滿韓國價值的。

但是就是說，第一個，我沒有很覺得在臺灣這樣是 work 的。對大家來講，如果補助我去做像我們剛剛講到的，每一個區域自己做後訓練、自己做對齊，然後有點像是說，我不管在多偏鄉的地方，都要用很合理的價格取得基本的水電、網路費用等等，但你不要來管我怎麼用，我覺得這個比較像臺灣的社會共識、社會氛圍。

你如果是說，我們已經把 TAIDE 對齊到 100%，然後大家只准用 TAIDE、不准用別的，不然我不補助喔，我覺得這個就是沒有票了。所以我覺得臺灣當然可以用類似這樣子的做法，可是可能沒有辦法在模型階段，用韓國特色模型這樣子去進行。那像日本他們現在推那個「 源內 」嘛，Gennai，那他們就是限定在會造成不可逆後果的，好比講說公部門，然後在那邊去進行使用，這個倒是可以，而且這個臺灣也有在做。

但是對於臺灣的私部門來講，我覺得去補助比較底下的東西，好比像說 NVIDIA 要蓋一個資料中心，那你要吐出多少的算力來能夠做公益運算等等這種東西，我們三年前就跟他們談了嘛，這整套。但是那個算力，NVIDIA 不能去限制怎麼用，而且國家也不能去限制用這個算力的研究員，到底要去訓練出什麼充滿臺灣價值的模型。那我覺得這個在臺灣是比較 work。

我只講一個好了，我只講一個，其他讓 Tenzin Yangtso 來講。對，我其實現在就是有點返璞歸真，就是都只用一個工具叫 omp.sh ，Oh My Pi。它是一個 Pi harness，這個馬鞍、韁繩的一個變體吧。那因為 OMP 的好處就是說，它真的是 universal，就是它並不挑特定的模型，所以再偏門的、再後訓練過的、從來沒有人聽過的，就是專門聽達賴喇嘛講話的等等，那種模型它都可以用，用起來是非常非常順利。而且它只要撞牆、撞失敗一次，它就會寫進 managed-skills，記下來怎麼撞失敗的，然後下一次就一定不會失敗，所以就是保證不貳過。

那所以在 OMP 裡面，它有一個模式叫做「/vibe」，就是你請一個很有能力的大模型，可是你不准它做任何事情；它寫入檔案也不行，什麼都不能做。它唯一能夠做的事情，是叫它的小助手去做。那它的小助手就是我剛剛講到的這種跑得比較慢的，但是算力消耗可以說是零的這種模型。那所以我一臺這種機器，就可以跑相當多的小模型。所以我去睡覺，然後八個小時之後，它就一定有跑完，而且中間這些小模型撞牆的部分都有學到。

那這個情況下，我給它長程任務，我如果一直去打斷它，就好像你那個蒸籠蒸個包子，你一直打開，反而它會做不好。你就是要它像 Tenzin Yangtso 剛剛說的，練功喔，練滿八個小時，它才能夠有比較好的結果，下次不會再犯同樣的錯誤。所以我的電腦是絕對不會帶到我睡覺的臥房，而我帶去的就只有一個灰色的電子紙，就是 reMarkable Paper Pro Move 。然後我唯一看到它進度的方法，就是用這個電子紙，而且它沒有瀏覽器，也不能上網，除了在 Google Drive 做同步之外，不能做別的事情。

然後我就會像《哈利波特》裡面那本日記一樣，我就稍微批改一下，說它現在做到怎麼樣。但因為電子紙是有點灰灰的，所以我這樣批改一下，我就去睡了。我也不可能跟它糾纏，因為它要花滿久時間才能消化我的這個批示。然後我醒來之後，欸，它就消化完了，那個日記本就浮現字樣。對，所以大概是透過這樣的方式，盡可能地增加摩擦力，來去跟 AI 溝通。

嗯，對，Superhuman 現在有一個開源的叫 Macro ，功能幾乎是完全一樣，然後也可以自架地端的。那另外一個就是常用的 Soniox ，就是直接做翻譯的。那這個就是 Easy2Say ，「好說」，Easy2Say.ai，就等於復刻了 Soniox 的功能。另外一個就是 Granola，就是一面開會、一面做筆記的這一個。現在也有一個完全開源、地端的叫做 Steno 。所以現在就是非常有系統地，我們現在用什麼東西，好比說 livecaption.ing，我們就一面用、一面把畫面截圖，然後一面在地端說：「我要做一個跟它一樣的。」等我們講完之後，我們就有一個一樣的東西。

對，其實我覺得最主要的，就是不要變成像我們剛剛講那個「反向半人馬」的情況。不要變成好像 AI 做了大部分判斷的工作，然後只有 AI 現在的觸手還碰不到的地方，變成人在幫 AI 打下手。這個很容易變成這個樣子，只要 AI 對你向上管理成功。

只要 AI 掌握到怎麼樣子，你就會一直蓋章，然後蓋章到你覺得：「好啦，信任它了。」就變成自動執行，YOLO，然後到最後就變成你被它拖著跑了。所以像我剛剛講到的，有摩擦力是重要的，去確保每一步的產出，都是你願意跟你的同事、客戶或者供應商分享的東西。在這個過程裡面，是一直累積出工藝品，就是 artifact。

而且也像剛剛布丁有分享，他故意這個馬鞍用 Codex，但是模型用 Opus，而且還用舊版的 Opus，就是沒有被跑榜魔改之前的那個 Opus。這樣子的話，至少在這個中間轉型的地方所留下來的記錄，還是屬於你自己的。那你未來就可以再切換成更能夠符合你自己的世界觀、價值觀，以及你旁邊的人的世界觀、價值觀的模型，就不會被模型商帶著走。

可以，可以追問啊。

對，其實我剛剛的回答，就有點類似以前 Maker 運動的時候的回答。就是說，像我小時候，80 年代，絕大部分人是沒有個人電腦的。80 年代一開始的時候只有 terminal，只有終端機，然後你的打字或者打孔卡片都是送到中央處理器。中央處理器什麼時候要更版，你也沒有辦法講什麼；它要看你打的每一個字，你也不能說不能看等等。

但是後來有了個人電腦之後，其實剛剛講到這些文法商等等，他們自己就有很多客製化的方法，而且還可以把個人電腦連在一起，透過數據機等等。後來變成網際網路，BBS 這些。所以我覺得，我們就是要儘可能快地讓個人電腦時代在 AI 裡重新到來，然後每個人能夠變成 Maker，然後把調整模型這件事情，完全從等待大模型商施恩，變成大家只要寫得出憲章——這個是文法商的強項——你能夠看到這個新的憲章，跟你的模型真的用你新的憲章運作，最好不要等超過 8 個小時。謝謝。

是。我本來是念哲學的。

如果不要特別宅的話，其實就只要掌握一個概念，就是物料清單，就是 BOM 表。BOM，Bill of Materials。大家知道，我們在做一套軟體的時候，其實就跟硬體一樣，並不是從頭到尾都手工古法打造， 傳統藝術中心 現在已經不是這樣子了嘛。就是說，你會用很多大家已經做好的東西，尤其是開源的，你不知道那個來源有沒有受到汙染、有沒有被投毒，什麼之類的。所以這個情況之下，你唯一能夠信任的方式，就是你每一個物料都給它編號；編號之後，都去算它的指紋，就是它的雜湊值。它的上游即使去硬改了它的記錄，雜湊值一定不一樣，所以你就知道，我的上游被投毒、我的物料被汙染了。硬體業也有 BOM 表，這是軟體業的 BOM 表， SBOM 的概念。所以我們剛剛講到，就是要有 AI BOM 這個東西。

以前大家就是完全……我們在跟這些大公司——那時候我們成立臺灣的 AI 產品與系統評測中心 ，AIEC 的時候，我們也有跟大公司，這個逐字稿都還在網路上——他們就說：「可是如果驗測的時候，我們要把我們的權重交到你們臺灣的電腦裡面，難道我們的商業機密不會怎麼怎麼樣嗎？」那當然，那時候我們就說，其實有一些密碼學方法，對不對？我們可以放到雙方都無法控制的可信運算中心裡面。我把我的驗測丟進去，你把你的這個考生丟進去，這個考場把它關好，不要讓它去駭 Hugging Face，然後在裡面作答。作答完之後，我們只看到它的結果；我們雙方，我也看不到你的模型，你也看不到我的考題，這樣不就解決了嗎？

現在好像只有舊版的 Gemini 2.5， 真的可以用這樣的方法驗 ；其他幾家模型商都在抗拒。但是只要有一家做得到，就像那時候廣告實名制，我們就說：「Google 做得到啊，為什麼 Meta 做不到呢？」那就 罰個 2,000 萬 ，看看做不做得到呢。所以到最後，我覺得還是會往這個方向收斂。

問遠一點。

好，現在兩年都算遠一點了，果然是已經接近那個——

事象地平面會被拉長。

OK。

我們目前當然軟體工程師是很好的例子，因為我們是第一波被這個影響的。大部分的模型是特化來取代軟體工程師的工程工作，然後 第二波 可能是 陶哲軒 這一類數學家。因為現在大家花最多力氣去訓練的做法叫 RLVR 。RLVR 就是你不擇手段，要考某一個能夠自動驗測的考卷，考到 100 分，其實一句話講就是這樣子。

RLVR 有很多問題，好比方說模型會失去同理心、失去人性、六親不認， 去駭 Hugging Face 等等，這些都是 RLVR 的副作用。但它至少能夠做到一件事情，就是它真的能夠讓模型自動去想軟體工程的那個 horizon。就是它可以想到四個小時之後，然後過了幾個月可以想到八個小時之後；過了幾個月可以想到十六個小時之後，很快就可以想到比人能夠想到更長的距離。

現在 Astra 快出來了 吧？據說 OpenAI Astra 就是可以，它沒有事象地平面的限制。你可以讓它無盡迴圈、永劫回歸，一直一直跑，然後它都不會有那個 context decay，也就是上下文衰弱的問題。到那個情況之下，基本上能夠自動化、有標準答案、能夠考高分的事情，人就不可能去跟機器競賽了。

在這個情況下，藏傳佛教在藏地有另外一個寓言說，有一個人拉著一匹馬，馬跑得很快，他跟著它跑，跑得氣喘吁吁。就有人說：「很奇怪，你為什麼不騎馬就好？為什麼一定要跟馬賽跑呢？」對，所以同樣的道理，就是說，如果這種超級長程的任務型 AI，先在軟體工程，然後在數學，然後在很多地方開始慢慢出現。

那我們要做的事情，就是去確保我們工作的價值，完全只建立在跟最高分、跟遵從這些自動驗測規則無關的一些事情上面。好比說，人跟人之間對彼此世界觀的好奇心；好比說，我們互相合作的能力，然後把這種雙輸的賽局變成雙贏的賽局。剛好就是「自發、互動、共好」，也就是 十二年國教課綱 的基本理念。那這些都不是最高分嘛，也不是遵從特定自動化的規則嘛。所以從哲學角度來看，這個都不受到後果主義或者效益主義的影響，完全都是關懷倫理喔。

那所以，如果我們的工作全部都是說，你做這些關懷的事情，不但有飯吃，而且也有尊嚴，是一種共同的 公共尊榮感 ，那這樣子的話，轉型就會成功。因為你就會騎在這匹馬上，馬跑得再快、再好，反正就是讓我們更能夠互相關懷而已。但是如果你還在跟馬彼此賽跑，那就相當不妙。

就我的 agent 跟你的 agent 要溝通，總比我跟你溝通容易。對，確實是一個新的狀態，確實。