So I would focus on that. Thank you.
好的，在嚴格回答這個問題之前，我想先對剛才提到的一些內容發表看法。首先，我認為我們有點過度聚焦於大型語言模型（LLM）和聊天機器人了。AI 遠不止於此。
所以我們不能忘記這點。全世界現在都在熱議 LLM，但我們應該保持審慎，不要只是隨波逐流。這顯然是一件大事。
我不是在試圖貶低它。它確實非常重要，擁有豐富的應用場景，並且會改變相當多的事物。但 AI 還涵蓋許多其他領域。
因此，當我們說需要龐大資料量時，這實際上指的是 LLM；龐大算力指的也是 LLM。我們必須對此稍微保持清醒，也該談談其他同樣能產生巨大影響的 AI。例如在醫療領域——我對醫療非常熟悉——即便不依賴 LLM，AI 也能帶來巨大變革。這是我首先想說的。第二點，我接下來要說的可能政治不正確，但 Melanie，關於你提到中國在形塑資訊、搜尋資訊方面的看法……我想稍微唱點反調，但有一點在……
沒錯，你提到用 DeepSeek 搜尋資訊時顯然存在很多問題。但正因為我們很清楚中國的體制；然而我們從 ChatGPT、Claude、Gemini 等等獲取的內容同樣充滿偏見，只是其偏見更加隱蔽，而且沒人確切知道它們是如何訓練出來的。我不知道哪一種更危險。
對我來說這很難說。這是一個開放式問題。我沒有定論，但我認為兩者都帶有危險性，而不僅僅是那個偏見顯而易見、我們深知其偏見所在的模型。
所以我認為我們對此也該保持警惕。回到剛才的話題——抱歉，還有一點。我認為另一個巨大的挑戰是「部署」，剛才有人提到了這點。
在部署環節中，有一個極其重要且極其困難的挑戰，那就是「評估」（evaluation）。評估面臨著諸多難題，更遑論 LLM 了。對於 LLM 來說，評估簡直是一場噩夢。但即使談論一般常規的 AI，在現實生活中的評估也是個大問題。
請容我再次以醫療為例，因為醫療是許多問題的核心，與每個人息息相關。當我們在醫院部署包含 AI 的醫療器材時，它當然經過了認證——通過了美國 FDA 核准或歐洲認證，每個國家都有這類認證機制。
但認證仍處於一種封閉測試特定項目的理想世界中。當你將其部署到真實世界、部署到人類與 AI 互動的整個流程鏈條中時，即使 AI 本身非常優秀，任何環節仍可能出錯。你必須評估整個流程鏈條的變化，因為你用 AI 模型替換了其中的一個積木、一個步驟。
醫院裡曾有過這樣的案例：部署了水準非常高的 AI 系統後，病患死亡人數反而大幅上升。因此這方面存在許多挑戰。抱歉，Jean-Marie，我現在回到你的問題。
你剛才的問題是關於我們是否真的需要大量資料，還是可以……是的，正如我今天上午所說，沒有人能完全確定。
這場座談中的某些人可能會說，DeepSeek 和千問（Qwen）很可能採用了對美國大型模型的「知識蒸餾」（distillation）。因此，他們自然不需要那麼多資料，成本也更低，因為他們基本上是利用大型模型來汲取其中的所有知識。那麼，如果 ChatGPT、Claude 和 Gemini 不存在，真的有可能做出 DeepSeek 或千問嗎？
這很難說。我沒有明確的答案。但我想……
關於資料量，對於 LLM 來說這確實是不可或缺的，這很明確。但對於許多其他類型的 AI 而言，完全不需要相同規模的資料。
是的，但這與 Jean-Marie 剛才問的「使用大量資料進行訓練」是兩碼子事。但我完全同意，他們似乎找到了一種成本更低的運作方式。觀察當今的 AI 研究人員，大家都在尋找更簡潔的模型，希望以更簡便的方式達到與現今 LLM 相同的高效率，從而大幅減少運作所需的能源。
而且幾乎每個月都會有這類重大突破的公告發布。
我以為你有反應——不，不，是非常正面的反應。我完全同意。比起大型 GPT 模型，我更相信小型模型；現在根本沒人在那些龐大模型中看到可行的商業模式。
每個人都在這些模型上虧錢。而且它們太過通用了，妄圖無所不知，這本身就很愚蠢。
它永遠無法達成這個目標，這是顯而易見的。所以他們不斷在上面疊加一層又一層的補丁，修補了這裡看到的問題，又去修補別處。
但我們應該從架構設計上徹底改變這些做法。我絕對相信專門針對特定資料、本地資料、針對特定小群體並帶有明確目標、旨在回答具體問題的小型模型。這顯然具有廣泛的應用前景和巨大的價值。
所以我完全贊同唐鳳的觀點。
請容我接續罕見疾病的話題。罕見疾病很有意思，因為我們剛才好幾位都提到需要本地系統——因為本地系統可能更中立；我不知道自己是否相信有所謂中立的 AI，就像世上不存在完全中立的人類一樣。但無論如何，我們需要本地模型來減少偏見等等。
但在罕見疾病方面我們遇到了問題：如果你只使用本地資料，資料量根本不夠。所以你必須設法處理。這時資料就變得極為重要，互通性與資料品質成為核心議題。
正如我今天上午所說，每當我們談論 AI 革命時，AI 革命本質上首先是一場資料革命。而推動資料革命並不容易——這意味著要在具備敏捷治理的同時建立高品質資料，若涉及個人資料還必須保障隱私並具備互通性。這在實務運作上極端困難。
歐洲目前有一項獨特的倡議，說實話我不知道它最終能否成功，但它顯然是一項開創性的健康資料倡議。不知道大家是否聽說過《歐洲健康資料空間》（EHDS）。這是一項與《人工智慧法案》（AI Act）同時通過的新法規，旨在統一有關治理、存取和資料品質的所有規則。
在未來幾年內，所有健康資料的生產者都將被強制要求為了公共利益研究而共享資料，否則將面臨罰款。這涵蓋了民間和公立的資料生產者。
這是一個重大變革，確實是重大變革。我在名為 Health Data Hub 的法國國家健康資料平台工作，我們在這個架構中扮演著重要角色。
我認為這是一項真正獨特的倡議。我希望它能成功，因為據我所知，至今沒有任何國家真正解決了這場資料革命。你可能擁有在資料處理上表現優異的個別企業，但在國家層面上，還沒有人徹底解決這個資料問題。
當然，也可能是我對某些國家不夠了解。有趣的是，自從這項法規公布以來，許多國家開始關注歐洲，認為這是一種全新的健康資料模式，值得借鑑。
在這項法規出台之前，我必須奔走世界各地尋求建立合作夥伴關係；而現在大家都主動找上門來。例如唐鳳，台灣的衛福部有 28 位代表來法國訪問我們，我們即將簽署合作夥伴關係。我們也與日本、南韓、以色列、美國、魁北克以及越來越多的國家和地區展開了類似合作。
我想特別提一個相當具有原創性的合作關係——這始終圍繞著資料展開。在醫療領域推動 AI、推動國際合作夥伴關係時，最核心的瓶頸——遠超過其他任何問題——就是資料本身，以及如何找到相容匹配並能協同運作的資料。一旦解決了這點，剩下的就容易了。
除了跨國合作時會面臨的治理和存取問題之外，其他環節都很直接。我們目前與印度進行的合作非常棒，我非常喜歡，這是莫迪和馬克宏在最近兩次新德里峰會上宣布的。印度開發了一種安全空間架構，其隱私防護非常嚴密，可以部署在任何地方，他們對其隱私保護能力充滿信心。
作為概念驗證，它是開源的，稱為 DIPA（Data Empowerment Protection Architecture，資料賦權與保護架構）。印度向法國提出：如果能建立這樣的基礎設施與安全空間，他們願意向我們傳輸來自印度民眾的個人健康資料。我們正在搭建這個系統，並準備執行五個應用案例。
我們將獲取來自印度的個人健康資料，傳輸至法國與當地的資料結合，並在此基礎上運行 AI。我認為這是一個極其重要的專案，因為圍繞著資料，治理始終是最關鍵的核心問題。
我可以針對幾個問題發表意見。我可能無法回答所有提問，因為有些我也不知道答案。但我想先就第一個問題談談看法。
我不會給出定論，我相信 Melanie 或唐鳳會有更好的見解與解答。我沒有標準答案。
但我只想提出一個提醒，因為在談論稀有礦物與 AI 供應鏈的整體成本時，我太常看到一個普遍的誤解。我們今天必須非常謹慎——至少在談論當前的現狀時——我們必須嚴格區分「AI 的衝擊」與「數位轉型的衝擊」。
因為我們每個人都擁有智慧型手機，這是數位轉型，而非 AI 帶來的直接影響。同樣地，電動車配備了電池。
這不是 AI，這是數位化。而這確實對生態、能源以及氣候產生了巨大衝擊。
這是數位轉型帶來的影響。在當前這場數位轉型中，AI 所占的衝擊比例其實非常小，只是一小部分。
雖然這個比例正在呈指數級增長，我並不是說這沒關係或我們不必在乎；但我認為釐清這一點非常重要，因為現在大家把所有事情都混為一談了。
如今每當談論人工智慧時，它成了一個無所不包的流行詞。當你串流觀看影片時，那不是 AI；AI 僅僅用於推薦系統。
但在此之後，為此你需要雲端運算等基礎設施。這是我對第一個問題的看法。至於第二個關於國與國之間不平等的問題：
沒錯，資料在其中扮演著舉足輕重的角色。正如我今天上午所說，我們最大的擔憂是我們基本上正在建立一套「西方 AI」，而最糟糕的莫過於將其直接推廣部署到全世界。那將帶來極其惡劣的後果。
這會加劇諸多不平等。因此我們必須高度警惕。各國之間確實存在不平等，即使在資料層面上也是如此，因為許多國家甚至還沒有開始收集資料。
而我認為資料才是核心資產。我目前協助一家法國公共機構在撒哈拉以南非洲國家規劃 AI 部署，協助他們建立自己的 AI。因此，核心瓶頸依然在於資料。
我常說，在歐洲，只要我們擁有高品質的資料集，即便不使用 AI，也能對公共衛生產生巨大影響。在沒有 AI 的情況下就有許多工作可做；接著是利用現成可用的 AI 工具；
最後才是運用最先進的 AI 模型。但我認為這非常關鍵。最後非常迅速地回應關於聯合國的問題：
