我們使用AI，但沒有真正了解，它在繁體中文的功效。
去年底iKala開源AI繁體中文測試資料，來源是各類台灣國家考試題庫，GPT-4做出來的約有六十幾分，但多數開源模型考出來僅有二十幾分。這測試是四選一的選擇題，代表答對率與用猜的差不多。
但這種模型測試，如果是英文，通常可以拿到九十幾分的成績，甚至通過含申論題的醫師、律師考。
問題在於，AI的世界缺乏繁體中文的訓練及測試資料。
若說ChatGPT的訓練資料量相當於一億本書，那中文書它可能只讀了兩百萬本，其中是繁體中文的搞不好僅一、兩萬本，使AI面對繁體中文跟英文的回答能力有落差。
雖然我們可以先將問題翻成英文再去問AI，但一些本地問題，比如台灣男性兵役是幾年，就算翻成英文問，它可能還是不知道。像iKala這次拿國考題目做成測試題，科學類可能還好，但文化、法律這種本地問題，表現就差很多。
台灣是個小國，我們的資料量比不上大國，所以開源很重要。這次iKala一開源測試資料，幾天的下載量就接近1萬次，說明社群對繁體中文資料的期待。
所以要解決AI在繁體中文的能力不足，首先要有測試資料，讓繁中的AI能力可以被檢驗。
第二是盡量開放訓練資料。
簡體中文相對容易找到資料，品質未必整齊，也可能沒有授權，但約有五千萬本書的資料量，很容易在網路上取得。相反的，繁體中文資料在網路上不容易找到，因為台灣著作權法更嚴謹。
這需要政府帶頭將出版品授權，或鼓勵民間團體願意開放機器訓練使用，讓台灣及全世界社群容易取得足量的繁中訓練資料，進而鼓勵學生、工程師、科學家投入發展繁體中文AI。
而且資料可取得性越高，也有助提高繁中AI在ChatGPT、Google等大公司的發展優先性。大廠容易取得，那繁體中文的效能就會好一些。
日本最近做法就很積極，AI訓練目的的使用，可不受影像著作權保護限制，就是希望日本卡通、漫畫在未來影像世界，仍保有影響力。
同時，社會對本土研發團隊也要寬容以待，繁中資料真的太少，訓練模型很艱難，如果不能耐心包容，繁中AI科技很難進步。
假使前述資料問題始終無法解決，台灣社會就要有心理準備，以後我們用的中文語言模型，可能都是中國開發，它將不能代表台灣社會的聲音。
又或者我們只好消極的教育下一代，多用英文問問題，這將是國家文化很sad的時候。
