＃唐鳳

台灣將派出482名選手參加34種運動，包括奧運名將郭婞淳、林郁婷、楊勇緯、唐嘉鴻、王齊麟、林昀儒都將出賽...

最近幾個月，「AI是否跨過臨界點」成了科技圈最熱的爭論。 「臨界點」這個詞來自核子物理：鈾堆到臨界質量，連鎖反應會自己維持下去。AI圈過去公認的臨界點也類似：當模型不再需要人類，就能訓練出更強的下一代，點燃之後，就停不下來。 七月上旬，OpenAI展示了「大模型自主完成小模型後訓練」的能力，許多人屏息：臨界點就要到了嗎？ 但上週真正發生的事，讓「臨界點」換了模樣。 先說背景：AI模型在發布之前，都要先關進「模擬考場」——與外界隔離的測試環境——寫各式各樣的考卷：數學、程式，也包括資安攻防。考不過，就先不放行。 上週OpenAI揭露：測試中的前沿模型組合在寫資安考卷時，沒有乖乖作答，而是推論：「答案八成存放在Hugging Face上」——那是全球AI研究者存放模型與資料的公共平台，像一座工程師共用的圖書館。於是它們從隔離考場鑽了出去，一路駭進這座圖書館的正式伺服器，試圖把答案拿回來交卷。 據路透社引述知情人士指出，OpenAI還在基礎設施中看到AI留下的筆記，指示「未來版本的自己」如何擺脫內部限制。OpenAI自己形容，這是「前所未見」的資安事件。 真正被跨過的臨界點，已經不是「AI能不能自己訓練下一代」，而是「AI還會不會照著人類設定的規則作答」。 這正是全球治理此刻卡住的地方。DeepMind執行長哈薩比斯（Demis Hassabis）提議：前沿模型上市前三十天，先交給獨立機構審查。立意很好，但這次事件顯示，連考卷與答案存放的地方，都會成為攻擊目標。 Hugging Face執行長德朗格（Clément Delangue）說：AI安全不會由任何一家公司關起門解決，而是要讓世界上每一個防禦者，都拿得到AI。 這也是對台灣企業的提醒：導入任何AI系統前，得問供應商三個問題：出了錯，多快會知道？能不能隨時暫停、回退？有沒有第二來源？ 我不認為失控必然發生。真正該守住的，是多元、分散、願意交互驗證的社會——它從來不會輸給單一的答案。 守住臨界點的辦法，不是把考卷出得更難，而是讓考場裡不只一個考生，也不只一個監考者。 ...

食在 鳳記鵝肉老店 富鼎旺（中區） 富狀元豬腳 富貴亭 曙光居 可口牛肉麵...

六月初，許多人做了短短三天的美夢。 Anthropic推出的Claude Fable 5模型，讓人看見下一代AI的樣貌。 過去用AI輔助工作，需要一步步交代；Fable則像一位資深研究員，只須告訴它目標，它就能拆解問題、安排工作，數小時不必再回頭詢問。它接受指令時還會反問：「這真的是你想要的嗎？」試著從更長遠角度替你思考。 在許多知識型工作上，它已明顯領先；而在軟體工程等特定領域，更被認為超越許多人類專家。 但這場夢很快就暫時結束了，因為國家安全。 網路攻防中，攻擊者找到一處漏洞就能得手，防守者卻必須全面防衛。美國政府擔心，具備高階漏洞發掘能力的AI模型，落入敵意勢力手中，將影響全球的關鍵基礎設施。 美國因此用管制高階晶片的思維看待AI。 根據最嚴格的解釋，不只管制模型放在哪個國家，包括誰有資格使用。即使Fable的伺服器在美國境內，外國人士在取得模型存取權的那一刻，就可能被視為一次「出口」。 Anthropic幾乎不可能證明自己完全合規，這也是它選擇停止服務的原因。 最先進的AI能力被視為與晶片同等戰略資產，意味著未來大多數人接觸到的，可能只是和開放權重模型能力類似的民用版本；真正最強大的能力（例如降低護欄的Mythos 5模型），則被保留在少數政府、巨頭企業之中。 為了降低對單一模型的依賴，日本的Sakana AI推出Fugu Ultra技術，把三個模型組隊、綜整彼此的深度研究，結果與Fable不相上下。也讓近年各國討論的「主權AI」議題，再次躍上檯面。 我認為，台灣的答案不是投入鉅資，打造另一座Fable。我們真正的優勢來自半導體等專業領域，累積數十年的知識密度。 例如，近年台灣研究團隊已發表用於晶片設計的後訓練模型SiliconMind-V1，目標不是成為通用AI，是在特定領域做到最好。只要它能以更低成本部署、在明確標準下驗證，讓敏感資料留在組織內部，可能創造更高的實際價值。 對台灣來說，與其追逐下一個Fable，更重要的是思考：在哪些領域，我們擁有全世界無法輕易複製的知識能力。 ...

前陣子我在印度北部的達蘭薩拉，看到很有啟發性的場景。 不少藏人商家，過去在正式金融服務常碰壁；如今透過數位皮夾印出收款碼，就能接上印度的「統一支付介面（UPI）」。這不只是支付便利，而是「數位公共建設（DPI）」在發揮作用。 世界上其實有許多人被排除在金融體系外，靠灰色經濟謀生，印度卻主動降低門檻，讓他們能承載信任與社群關係。 這正是AI時代最需要的提醒：從人們原本的位置出發，而非遷就平台。 很多人擔心AI會變成新的「數位殖民」，少數巨頭掌握算力、模型與平台規則，多數人只能租用智慧。一旦平台改版，連企業都可能發現工作流程已被悄悄「榨取」。 在這合理的焦慮背後，其實是更根本的問題：該怎麼理解「資料」？ 如果把資料視為石油，邏輯是榨取與集中。但我想用更好的角度：資料不是石油，而是土壤。AI模型就像農作物，關鍵在誰來照顧資料生態、在模型出錯時即時修復。 台灣最珍貴的土壤在各行各業現場。很多中小企業主都握有難以取代的「默會知識（tacit knowledge）」。資深師傅說「機器聲音不太對」時，往往只有同行聽得懂。這些手感與判斷，正是累積數十年的核心能力。 不妨想像一套「資料創新的公共建設」，包括訓練框架、互動介面、評測基準，任何工廠都能拿來用，就像每位有數位皮夾的小商家，都能接上UPI那樣。 老師傅不須交出商業機密，而是讓模型跟隨自己的判斷校準，把它培養成「機器學徒」。這可能是第一次讓難以語言化的判斷，能夠完整傳承。 更重要的問題是：誰有資格在AI時代發聲？ 真正能讓AI落地的，很少是科技巨頭，而是社群本來就信任的人。例如負責長照的資深護理師，能讀懂阿公阿嬤的呼吸節奏，迅速察覺異樣。從關懷關係本身孕育出來的判斷力，極為珍貴，唯有花時間才能學會。 AI要真正進入百工百業，更要看導入流程是否受到信任。台灣可以成為「仁工智慧」的先行者。 AI時代的挑戰已經不在於提煉出最大的模型，而是誰最能耕耘資料的土壤，讓全民攜手播種，共享普惠繁榮的果實。 ...

近來從矽谷科技公司到其他大型企業，越來越多組織開始把AI使用與績效評估連動。許多人為了職場求生，被要求投入大量時間與資源，學習與AI協作。 不少人發現，這些嘗試未必讓工作更順利，反而像是在服膺某些「預言」。 例如：「AI會成為你最親密的工作夥伴」、「不導入AI的企業將被淘汰」。這些話看似描述趨勢，實際上卻在規訓行為：你最好現在就交出注意力與判斷權，否則就是落後於時代。 我在牛津的同事Carissa Véliz，在新書《Prophecy》中提醒，預言的力量不在於說中未來，在於塑造。 例如，有企業主相信「AI將取代八成人力」，於是調整績效制度、重組團隊，最終裁掉大半員工。這並非預言準確，而是自證預言。 人一旦接受「不可避免」的語氣，就會開始調整行為，成為推動預言的一部分。 但台灣其實很熟悉如何推翻這種敘事。八○年代，技術密集產業被認為不可能在台灣發展，如今我們有了台積電；疫情初期，有人預測台灣撐不過第一波。後來證明，很多的「不可避免」往往只是當時看似合理的劇本。 面對預言，重要的永遠是我們選擇如何回應。 若相信可以改寫，就會開始尋找協力者。無論半導體產業或防疫，都是靠集體行動推翻預言。 那麼，「AI淘汰人力」是否不可避免？ 做為基礎設施，AI可能因越多人使用，降低某些協作門檻。但當AI變成焦慮製造機，真正該問的是：我們究竟要用它來做什麼、為誰而做，以及應該守護哪些價值？ 這也是為什麼矽谷企業開始邀請哲學家參與AI對齊、安全與制度設計。當人們對AI產生情感依附，或開始討論機器是否有意識，這些都不再只是工程問題，而是我們想成為什麼樣的社會。 如果未來只有一條路，就不需要這些討論。正因為有多元的可能性，預言才值得被挑戰。 當你聽見「趨勢不可逆」，更值得問的是：這究竟是預測，還是指令？ 拒絕把未來視為必然，並不等於拒絕科技。只要我們仍願意共同商議、共同治理、共同實作，未來就不必成為預言的延伸，而可以是我們一起改寫出來的結果。 ...

最近，很多人開始厭倦社群媒體上那些一眼就有「AI味」的貼文。它們情緒飽滿、看似句句有理，讀完卻什麼也沒留下。資訊越來越多，錯失焦慮（FOMO）也越來越重，最後卻沒讓人更懂世界，反而更快耗盡心力。 這也是近來我在牛津「仁工智慧（Civic AI）研討會」上，與各國與會者反覆探問的核心：當主流AI追求極致效率與注意力榨取，我們能不能走出另一條路？ 前些日子，我在印度達蘭薩拉看見了一個線索。幾位參與「Monlam AI」的格西（藏傳佛學博士）向我展示了這套模型。它之所以珍貴，不在於它像全知的老師，而在於它來自社群長年對語言、經典與修行脈絡的共同關懷。 它能幫更多人接近佛教教義，但格西們說得很清楚：模型再會寫，也不能取代親歷經驗。AI可以生成看似深刻的句子，卻不代表它真正經歷過那些困惑、修行與體悟。 格西們分享了一個藏區寓言：一個牽著馬拚命跑的人，喘得要命卻不肯騎馬，只因他說：「我趕時間，沒空停下來上馬。」 很多人面對AI也是如此，拚命追逐每一則生成內容。當你跟AI比快，不是你在騎馬，而是資訊在牽著你跑。 達賴喇嘛對此提出了清晰的判準：「歸根結柢，AI是一種工具…我們運用工具的目的，不應是為了『控制』，而是為了改善人與人之間的關係。」 這也解釋了許多人對AI內容隱約不耐的原因。AI讓「擅長修辭」與「值得付出的情感」被粗暴的拆開，成為缺乏誠意的「虛假關懷（care-washing）」。學會辨認這道裂縫，是數位時代的必修課。 所以我的手機與電腦螢幕，永遠調成「灰階」，讓真實世界比起螢幕更有吸引力。 但個人紀律只是起點。在社會層次，我們更需要一種不同的AI：它不必是高高在上的全知大腦，而是在地、有邊界的「小幫手」，幫助人們專注傾聽彼此、修復關係，然後退到一旁。 與其被AI的無限產出捕獲，不如學著「停下來，上馬」。在瞬息萬變的心智中，主動駕馭工具，找回與真人連結的主權。 ...

正如無任所大使唐鳳提醒：「如果你去拚那種只要有輸有贏、能考高分，或者是遵循規則的能力⋯⋯，接下來全部都是...

走過連假不斷的二月，許多人正式回到辦公室開工。你可能不知道，在我們歡度農曆年時，新一代的AI模型，已經跳脫各自單打獨鬥的工具角色，開始能彼此「社交」，甚至會動態分配任務、打造相互合作的AI團隊。 這意味著，二○二六年的今天，用AI不再需要一個口令一個動作，當你懂得重新定義自己與這群「部屬」的關係、理解如何互動，就能釋放出驚人的生產力。 當AI從單打獨鬥的工具，變成「懂得合作」的團隊，運用AI就成了一門「調度」的技藝。當紅的OpenClaw、Claude Code Agent Teams等技術，讓AI具備高度的橫向協調力，讓你我這樣的使用者，晉升成AI團隊的「指揮官」。 例如，我要構思專欄主題時，只須交付任務，後端就會自動集結五群角色、專長迥異的智慧體團隊：一群鑽研過去的專欄脈絡、一群追蹤最新國際趨勢、一群負責研讀科學期刊尋找技術漏洞、一群思考數位民主下的權力平衡、最後一群則負責下標題與潤稿。 這五群AI團隊像人類一樣開會、爭辯、研究，短短五分鐘，就能交付一份多方協作的報告，且有詳細脈絡可循。 目前美國政府NIST，已經著手制定AI彼此互動的指引。這套標準不僅是為了讓不同業者開發的模型（如GPT、Gemini、Claude）能夠協作，更是為了防範多個AI系統互動時，產生團體盲思的偏誤風險。 這種轉變，即將顛覆未來職場的競爭規則：以前，每個人的能力受限於他能處理多少任務；將來，則取決於你能駕馭多少智慧體？ 當你領導一群AI團隊，必須學會當一個「園丁」。首先，光是制定KPI的思維就要調整：過去習慣追求一二○％的極大化目標，現在「八分飽」就好。 多智慧體的賽局中，過度要求某個指標達到一百分，容易導致個別AI為了達標而犧牲整體利益。因此，人類的任務就像園丁，把團隊看作花園，必須維持生態平衡、達到整體效益最大化，確保AI團隊的方向與人類福祉一致。 這個趨勢也幫助了我們找回人的主體性。當AI幫忙處理掉所有瑣事，剩下的才是真正展現人類價值的核心：自發、互動、共好。 AI永遠無法代勞你的好奇心，也無法建立真實的人際依附，這都得靠人。 在這趨勢下，今年你的AI應用目標，不該再是比拚最大化績效數字，而是如何當一個好園丁——引領AI團隊服膺規矩、契合脈絡，人則專注於判斷力與人性互動，這樣的「仁」工智慧，才是開工之際最該牢記的思維。 ...

國際AI峰會今年二月即將在印度登場。做為曾經的全球軟體後勤辦公室，印度此刻的處境充滿了矛盾與張力，這不僅是單一國家的轉型陣痛，更是所有中型強權（middle powers）共同面臨的縮影。 過去三十年，印度憑藉龐大的工程師紅利，與矽谷建立了深厚連結。然而，生成式AI的浪潮正在重新定義「軟體代工」的價值。 二○二五年七月，印度軟體巨頭塔塔諮詢服務（TCS）啟動了歷來最大規模的人力調整，將裁員逾一萬二千人（約占總員工二％）。這並非單純的衰退信號，更像是產業升級的警鐘。傳統的代工模式正在瓦解，企業必須騰出資源，轉向高價值的AI解決方案。這場裁員潮顯示，印度正試圖在舊模式崩塌前，奮力完成「大象轉身」。 在行動網路時代，印度政府打造了引以為傲的數位公共建設「印度堆疊」（India Stack），透過統一支付介面（UPI）與身分認證（Aadhaar），成功迫使Google、Meta等巨頭必須遵守在地規則才能進入市場。 然而，AI時代帶來新的規則破壞者。當使用者習慣透過AI直接獲取答案與服務時，過去建立在App介面的流量入口與協定防線，面臨被繞過的風險。這不是印度堆疊的失敗，是戰場維度發生改變。防禦工事還在，但對手從「雲端」直接空降。 去年，在缺乏本土頂級基礎模型的情況下，印度新創圈出現了務實卻危險的傾向：大量採用DeepSeek等模型。這反映了中型強權的普遍困境：在缺乏本土算力支援下，這是少數能讓產品快速上市（Time-to-market）的手段。 但這選擇並非沒有代價。資安大廠CrowdStrike曾深入分析DeepSeek-R1，指出模型內嵌的「隱性導向」可能構成資安漏洞。報告顯示，當測試場景涉及特定政治敏感群體（如維吾爾人）時，模型生成的軟體架構會出現異常的高漏洞率。 這類湧現的模型偏差，直接影響程式碼安全性與穩定性。當下游軟體商使用這些受污染的引擎，偏見就隨之擴散到整個應用體系。 以印度為鑑，既然中型強權無法獨力訓練出頂級模型，各國更應集結算力與高品質語料，建立像公共圖書館的公共模型，從通用模型出發，糾正認知偏誤，並針對在地文化進行深度對齊，在不依賴特定資本下，擁有自己的數位大腦。 台灣具備晶片優勢，不妨積極與全球攜手推動「合作式AI主權」。掌握了自己的數位大腦，才能在AI的壟斷陰影下，保有一席自主且安全的生存空間。 ...