所以這個我想，我們在英文是把 speech（言論）跟 reach（觸及）分開。就是說你有完整的言論自由，你愛講什麼就講什麼，也絕對不會被下架。但是如果平台主動推給當初沒有訂閱你的人，平台的推送行為，就要算做他的第一方言論，那就變從犯了。簡單講就是這樣，我覺得是蠻直觀的。現在應該是共和黨可以接受的一個解決方式。Brendan Carr 他們可以接受的一個方式。
當然如果更細究的話，就是說如果我自己現在訓練出一個推薦模型，然後是我拿著我的推薦模型去這個社群平台。如果是我自己使用者訓練的推薦模型，那是不是所有我收到的東西，我自己就要負責任了？理論上是。
所以如果是這樣的話，我覺得這個就很好。就會變成是一個向上競爭，而不是逐底競爭的狀況。
因為你就會看到，像維基百科，他絕對不會主動推給你什麼你沒有訂閱的東西。所以維基百科繼續享有絕對免責。
如果今天是 Bluesky，他本來就是分散式的架構。他不會主動給你任何東西。你要看任何演算法的 feed（資訊流），那就是你去訂閱的。如果那個 feed 的創作者要免責，那他就是透過像我們剛剛講 Green Earth 這種工具，去讓你客製化你的推薦引擎。一旦你說「對，這就是我的推薦偏好」之後，那使用者又負全責。所以平台就免責。
所以這樣這個平台就有充分的誘因，去做我們剛剛講到的，包含可攜性在內這些事情。所以整個市場應該就會變成一個比較好的，就是 positive sum（正和）的一個競爭。
所以我是覺得蠻不錯的。尤其是美國是特別適合這樣做。因為他們許多人都對機構化的事實查核已經完全放棄信任。所以他們除了橋接式這一套、可攜式這一套之外，他們也沒有別的選項了。
反而是亞洲或歐洲很多還是很依賴傳統的大型的事實查核機構。可能就要看美國這個實驗成不成功，我們再看要不要跟。
我們去年的那一個，當然是變打詐專法，跟變成我們叫數位簽章，就是電子簽章法修正案。
如果現在在講的是說，怎麼樣再加強它的拘束力。就是變成……因為其實現在你如果是在公共政策網路參與平台上面提連署案，它正反雙方，其實現在都是用橋接的方式在做 aggregation（統整）。
但是當然它的強度、它的拘束力，並沒有強到相當於立委通過的法案，或相當於公投。它差不多就相當於立委提出的一個質詢案的，就是備詢的那個程度而已。
通常學理上我們是希望用兩個方法。一個是說盡量在小規模的地方先做。像芬蘭他們在全國做這個之前，他們就是先在一些試點的這些，類似我們縣議會、或甚至是一個里的里民大會的那個程度而已。
像我們在美國 Bowling Green 在 Kentucky（肯塔基州鮑靈格林市），就幾千人而已，相當於我們一個鎮。在那個人口裡面，他們就比較容易給出高的拘束力。裡面大概一兩千人有參與這個。說真的非常有代表性。大家都同意的話，我也不需要鎮長說什麼。大家都覺得說這個很棒，那我們就去做了。
所以所謂的 hyperlocal（小規模在地），去增強它的拘束力，現在看起來是相對容易的一個做法。
另外一個情況就是像加州的做法。就是說他們先做基礎建設，然後就等一個緊急的情況，好像野火來的時候。等於整個全加州的關注都在這個上面。而且如果你不趕快提出一個方案，去把州政府、市政府、聯邦政府的權責能夠區分出來的話，那對州長的政治前途也不太好。這個情況，那這個情況它就很容易一下凝聚就是大量的民意。
所以就是在平時的時候用小規模在地的做，但是建立起這樣的基本制度。那這樣子每次就是特別的緊急狀況，像之前疫情等等來的時候，再把它提到全國情況。目前大概是這樣來做。
這個之前 Gogolook（Whoscall 開發商）有一個 Android 上的系統，叫 Message Checker。那個就是用您所提到的原理。
它的原理就是它 Android，你不管是裝任何的通訊軟體，它都會跳出通知。然後它去攔那個通知的 API。所以它是在你自己的手機上面，對所有的通知去進行篩檢。然後去看它是不是詐騙、或是不是網路攻擊、是不是釣魚等等。
因為它是在你自己的手機上本機運行。所以就像您剛剛講的，它是小模型。它不需要去把你收到所有私人訊息都傳回趨勢科技，或者傳回 Gogolook 等等。
所以防詐騙的做法，現在慢慢都開始從雲往端去移動。因為大部分人不會想要把自己的特別的點對點加密的訊息，去分享給這些大公司。但是詐騙大概都是在這些地方特別的嚴重。所以你要不侵害隱私，又要能夠去進行攔阻。確實像您說的，就是在手機本地去運行小模型，應該是最主流的現在大家看到的解決方式。
我確實有自己下來做這個題目。我有參加一個基金會，我是理事，叫做 ROOST.tools。我們是今年 2 月在巴黎 AI 峰會，我跟 Meta 的 Yann LeCun——就是他們 AI 的負責人，開放式 AI 的算是掌門人吧——以及 Eric Schmidt——就是很關注安全的以前 Google 的執行長——我們一起發展 ROOST 這個概念。
這個概念同樣就像您剛剛講到，就是去訓練小模型。我們一開始挑的題目是 CSAM（兒少性剝削影像）。主要原因就是因為它的非法性在全球都比較確定。其他的可能還有言論自由什麼的爭議，但是 CSAM 應該是沒有太大的爭議了。當然這裡是說跟真人像的，如果是漫畫的那個是有爭議的。但是 anyway，這裡是說像真人的那個部分。
這部分以前的問題是說，大部分你要做這種機器訓練的時候，持有那個圖片就是非法的。所以以前我們沒有辦法做端到端的訓練。只能上載到微軟的 Microsoft PhotoDNA，或者是美國的 NCMEC（國家失蹤與受虐兒童中心）——FBI 的資料庫。
但是現在因為你要合成這種兒少性剝削影像的成本太低，而且你可以直接在手機或筆電上就合成。所以就像以前那種溯源的做法，已經是行不通了。
所以我們現在就是透過一個叫做 CLIP Embedding——是 OpenAI 的一個程式庫——把圖片變成跟它圖片意思類似的文字。但是它在轉文字的時候，不會洩露那個圖片裡面的人的個資。所以你就突然間手上會有一堆文字去描述那個圖片。但是這個文字是可以合法處理的，就是它不觸發兒少性影像的那個問題。然後你就分享這堆文字的描述值，就是它的 embedding。然後我就可以分散式地來訓練這種小模型。
目前我們已經成功說服 Discord，他的訓練平台已經讓 Bluesky 在用了。另外 Roblox 好像也快要用了。所以我們確實是現在在做這種事。如果等兒少性剝削影像這個題目可以完全用這種方式解決，其他的部分，包括您所提的詐騙等等，我覺得也很有希望。
現在也有不用自己接電話，就是透過像蘋果 Apple Intelligence，它會幫你聽電話、摘要、然後跟你講。那個也是用地端的模型做的。那是我之前在蘋果合作的團隊。2016 年就跑掉了。但是他們就留下來繼續做 Apple Intelligence。所以以我所知，現在是有自動綜整的能力。你可以在 MacBook 或者是在 iOS 上都有。它幫你接電話、幫你綜整。
我試著了解一下你的問題。就是說，你覺得現在在高中端，雖然是有累積一些就是團隊的能力等等。但是最後還是看個人考試的那個能力，決定到哪個大學。所以你在想說大考怎麼樣調整……
就是說如果現在大學，他能夠信任說，在之前不管高中端，或者是技術高中等等，他這種同儕互評，或者是剛剛講到 PBL 等等的這種就是所謂的學習歷程的這些東西，能夠有可信度。那你建立起這個有可信度的交叉評量的這件事情……
確實一定程度上面，其實以我所知，現在也有一些就是多元選才等等的這些做法、繁星推薦等等。其實現在的狀況我並沒有那麼悲觀。就是說現在已經有一些名額是，透過類似這樣 portfolio（學習歷程）的方法進來的。那之後當然這種 portfolio 的問題，當然還是現在的可信度可能沒有高到這個程度這樣子。
所以我覺去得增強剛剛講到的就是：我們在一個團隊裡面，然後這個團隊討論等等。我剛剛講到的十個人的討論室裡面，其實 AI 它是隨時在讀空氣的。它可以去算出每個人他對於這個團隊討論他的貢獻的程度。他引導其他人討論的程度。
所以如果有個開放可驗證的某種 AI 模型，然後不是很容易被欺騙的，用某種方式去協助評審，去看說一個人在團隊裡面他的貢獻度到底多少。我覺得這個未來確實是一個方向。
但是這個的前提就是說，這個 AI 模型它必須是超在地的、就是我們大家都同意的。而不是說丟給矽谷的什麼黑箱演算法來決定誰要念清大這樣子。謝謝。
目前的做法，就是所謂的比較好的一個評量方法，叫 Proportionate Veto Core（PVC，比例否決核心）。
它的做法就是說，可能像我們加州火災是 30 個政策選項，最後選出 5、6 個。我可以證明說，所有參加的這幾千人裡面，任何 10% 的少數，就是任何這樣子挑出來的 10% 的少數，都可以去 veto（否決）、都可以去杯葛掉裡面他們最不喜歡的那 10% 的選項。任何 20% 的人都可以杯葛掉他們最不喜歡的那 20%。任何 30% 的人都可以杯葛掉他最不喜歡 30%。
所以你在數學上是可以證明說，最後存活下來的這些選項，基本上都是讓大部分人就是「雖不滿意但可接受」或比較高興。而不會有任何少數人非常不高興。
那當然你如果只有一個人非常不高興，因為你只是千分之一。你沒有辦法杯葛掉千分之一的提案，因為總共才 30 個提案。但是就是說人們只要稍微有一點點凝聚力的話，就很容易去杯葛掉不要的那個部分。
所以這個算是一個防守式的數學方式。就是說它沒有辦法去做出讓大家都非常高興的那種做法。但它可以證明搭的這個橋，基本上除了極少數極端值之外，其他人都覺得是相當好的。就至少夠好（good enough）。
我剛剛講到那個 Maximizing OS（最大化的作業系統）。這個比較像是 satisficing（滿意即可）。就是說它夠好就好。到某個程度，我們這個橋就先搭了先過了。那某些真的沒有共識、還分歧的部分，你就輪到下一輪再進行討論。所以就是先把低垂的果子先採收掉。
而且在數學上可以證明說，它沒有犧牲掉任何少數族群的權益。大概我覺得目前暫時先做到這樣，已經比本來的、別的聚合的方法要好很多了。謝謝。
非常棒的問題。二月在巴黎跟 Eric Schmidt 發表 ROOST 的時候，我跟他們 Schmidt 基金會有大概討論這個問題。
我的看法簡單來講，就是說我覺得我當年學的軟體工程，有點像手工業者的那種感覺。就是陶藝、雕刻那種。它有非常大的難以直接傳遞的，你必須要當學徒學很長一段時間，才能夠學到的這些默會知識（tacit knowledge）。
但是我覺得現在開始，就是軟體工程慢慢變成比較像是完全機具化的這種作業。可以說是，特別是大家可能有看到，就是 GPT-5 Pro、Claude Code，未來 Gemini 3.0 Pro 出來之後。基本上你只要能夠描述的出來的前端介面，或者是它的呈現方式，精準度不要差多少，那 AI 都可以鉅細靡遺地畫給你。基本上已經不太需要手工雕花的狀況了。
所以在這個情況下，我覺得整個想法就會變得相當不一樣。就是程式設計裡面，可能「程式」的比重會一直減低，而「設計」的比重會一直增加。
就是說你面對機器的部分，很可能到最後幾乎完全沒有。面對人的部分、面對使用者需求的部分，變得越來越高。到最後大家都是架構師加上 PM 的這樣子的一個狀況。
實際像我們當年那樣去雕花的，已經就有點像 Elon Musk 說，現在還是有人在自己種菜。但是自己種菜、在菜園裡面種菜，那是為了強身健體，或者是自己怡情養性。但是並沒有辦法跟工廠化農業來進行直接的競爭。
所以我未來覺得軟體工作——就是宜敬部長的看法——就是以前那種客戶有一個需求，你就專門幫他雕花，做一個專案。這個不但顯然是夕陽產業，而且在未來也不需要這樣子做了。
之前是這樣子做是因為，你要看懂別人的程式的成本非常高。然後你很難去把客製化的專案，改成一個通用化的產品。
但現在是你只要——就是剛剛講到那個匝道——就是 API 的這些接口、介面有設計好。這樣需要客製化的客戶，也不會需要你來客製化。他只要告訴 Claude Code，或者是這些 vibe coding 的工具說：「我今天介面想要長這樣。」他就好像免洗餐具 3D 列印一樣，就把它弄一個他想要看到的前端。等於你只要管營運邏輯那邊就好了。
我講得比較繁瑣，簡單講就是說，如果我們能夠從程式的部分往設計的部分移動。然後再去善用剛剛講到這些機械化的、自動化的軟體產生工具。那這樣就比較容易達到說，我們看到社會需求，就直接做出全世界可以用的產品，也不太需要受到像以前那樣語言、或者文化、或者是慣用操作介面的這些限制。因為你在那個地方去用 vibe coding 去再做客製化就好了。簡單講是這樣子。希望有回答到您的問題。
