隨著 AI 使用的普及，不少企業主開始擔心：員工會不會一不小心，就在對話框中洩漏了公司機密？比起外部駭客入侵，由內而外的資料外洩更難察覺，也更難防範。這類員工自行使用、公司卻管不到的「影子 AI」（Shadow AI），正成為企業擁抱 AI 時繞不開的資安難題。

為了協助企業解決這個問題，智能演繹推出 TrustAI 平台，讓企業在使用 AI 的同時，也能有效避免資料外洩。

智能演繹由一群橫跨資安工程、AI 基礎設施與企業合規領域的專業人士共同創立，目標是解決台灣與亞太地區受監管產業在導入生成式 AI 時，最開始也是最根本的信任問題。創辦人李奇翰自 2018 年起深耕 AI 與 AIoT 領域，長期協助企業將人工智慧導入實際營運場景，曾推動鼎泰豐、涵碧樓、永豐餘等知名企業的 AI 落地專案，累積了從技術評估、系統設計、專案管理到企業落地的完整經驗。

在多年協助企業導入 AI 的過程中，李奇翰發現，企業對 AI 資安與治理的需求日益提升，市場上卻缺乏能協助管理的工具。因此，他著手打造 TrustAI，讓企業能在兼顧資料安全、合規治理與營運效率的前提下，將生成式 AI 轉化為可執行、可管理、可擴充的商業應用。

從抵禦外部攻擊，轉向防範內部威脅

李奇翰指出，過去資安防護重在抵禦外部駭客入侵，但到了 AI 時代，威脅的方向反轉了，企業更需要防範內部員工把資料送出去。大多數老闆都希望員工善用 AI，以免跟不上時代，卻又擔心資料外洩，偏偏不可能盯著每個人如何使用。尤其製作財報、撰寫行銷文案、整理會議紀錄、處理客戶資料等日常工作，處處都可能碰觸機敏資訊。

再加上許多員工早已習慣順手把資料上傳，既不知道這樣有風險，更不知道這就是外洩，光靠教育訓練很難解決。他以釣魚信件為例：「再有經驗的人，也有可能上當。」就像電腦沒有防毒軟體就一定會中毒，少了技術把關，資料外洩也遲早會發生。因此，企業必須建立管理機制，否則一旦出事，老闆仍是最終的責任承擔者。

防範不是禁用，而是多設一道保護

他說明，目前企業使用 AI 最常見有兩種方式：一種是訂閱制，例如每月付 20 美元使用 ChatGPT；另一種是透過 API Key 開發應用。不論哪一種，企業都會面臨同樣的問題：要如何管理輸入與輸出的資料，確保公司機密沒有被傳出去？

要避免資料外洩，禁用 AI 並不是解方，實際上也難以禁止。李奇翰說，總不能為了資訊安全就把網路線拔掉，AI 也是一樣。TrustAI 要做的，是讓企業可以放心使用 AI。做法是在員工與模型之間設下一道閘門，也就是 AI Gateway。企業內外部所有的 AI 使用、所有 AI Agent 的呼叫，輸入與輸出都必須先經過這道閘門過濾，才會送到模型。

這道閘門的核心是 API Key。李奇翰將每把 API Key 比喻為員工進公司要刷的識別證，決定使用者是誰、能取用哪些資料、能用哪些模型。管理以個人帳號為單位，一個人可能同時擁有多把 API Key，例如依不同模型或 AI Agent，分別用於開發或資料收集，但所有 Key 都會歸在同一人名下，才能統一管理。每把 Key 的生命週期、可呼叫的模型，都能在平台上設定。

李奇翰舉例，有使用者可能直接下指令：「幫我導出這個客戶的信用報告，他的身分證號是……」，沒多想就送出。資料經過閘門時，系統會在送達模型之前，就以代碼將個資遮蔽，等於資料還沒出去就被替換了。

或者員工不小心誤傳了機敏資料，當資料經過閘門時，系統會在送達模型之前，就以代碼將個資遮蔽，等於資料還沒出去就被替換了。管理者也可以透過儀表板（dashboard）掌握傳送資料。企業還可以自訂關鍵字庫，不只過濾輸入內容，模型回覆中若出現被禁止的關鍵字，也會一併攔下。

他指出，過去的去識別化流程，事前有許多繁複的細節與技術門檻，但進入大型語言模型時代後，對於互動的要求更要求即時性，不可能等資料處理完才送出，「所以只能在前面直接攔下來。」

AI治理關鍵在知道誰做了什麼

李奇翰進一步指出，過去談 AI 治理，往往只是一套方法論，卻缺乏能落實到執行面的工具。雖然市面上已有部分對話平台能攔截客戶資料，但現有做法大多是遮罩，也就是設定哪些字詞不能送出，這通常會產生兩個問題：一是只擋、不留紀錄；二是統一攔截，像止水閥或過濾器一樣，對所有人一視同仁，沒有管理 API Key。他認為，阻擋資訊外洩只是治理的第一步，更重要的是知道誰做了什麼事。

李奇翰強調，TrustAI 能將企業定義好的政策，自動套用到每一個帳號與身分上，符合規範才能執行，不符合就擋下來。權限也可依部門區分，例如薪資資料只開放給人資，客戶資料只開放給業務，並可串接企業既有的權限系統。企業甚至能指定由哪個模型處理哪類資料，例如涉及客戶個資的工作只交給地端模型，就不必擔心資料被雲端模型拿去訓練。「並不是資料完全不能送出去才能用 AI，重點是要能控管。」

不可竄改的紀錄，讓企業拿得出治理證據

「企業要怎麼證明有做治理？」李奇翰提醒，以歐盟法規來看，一旦疑似外洩，企業必須證明自己沒有外洩，而這需要證據。為此，TrustAI 會記錄每一把 API Key 的完整資訊，包括持有人、授權狀態、所屬部門、使用期限與權限範圍，以及每一次使用的時間、IP、提問與交流內容。這些紀錄都經過加密，加密後就無法更動，「就像行車記錄器。」面對稽核時，企業可以拿出紀錄，證明自己確實有在管理。「如果直接用訂閱制，連『我有在管』這件事都說不出來。」

除了資安，TrustAI 也納入 token 預算控管，可依部門或專案設定使用上限，避免企業鼓勵員工用 AI，最後卻被帳單嚇到。

鎖定金融、醫療與政府，迎接 AI 普及後的治理需求

TrustAI 鎖定的客群，是金融、醫療與政府等受監管產業。李奇翰表示，這些組織把隱私看得比好用、易用更重要，「只要是更在意風險的組織，都是我們的潛在客戶。」

李奇翰觀察，影子 AI 的問題通常要等到企業內部大量使用 AI 時才會浮現，因此許多企業目前尚未意識到。但他相信這一天很快就會到來，「企業真正在用的是 API Key，只要企業真的在用 API Key，就會需要這套機制。」目前 TrustAI 也開放企業免費試用，希望與更多企業一起累積實際落地經驗。

*~ Bartz v. Anthropic PBC 案之司法實務解構、技術取證攻防暨全球規範防禦對策
*

壹、 導言與案件概要（Executive Summary）

美國加州北區地方法院審理之 Bartz v. Anthropic PBC 案（以下簡稱本案），於 2025 年 6 月 23 日做出具備分水嶺意義之實體裁決，並隨後達成高達 15 億美元的著作權損害賠償和解協議（Copyright Damages Settlement Agreement）。

本案核心爭議在於 AI 開發商未經授權，自 Library Genesis (LibGen) 與 Books3 等「影子圖書館（Shadow Libraries）」灌錄超過 700 萬冊具備著作權之書籍語料庫。本案判決徹底重塑了科技產業的合規紅線，其重大法律意義在於：

一、首創「行為解構分析框架」（Behavioral Decomposition Analytical Framework），終結「訓練行為不可分割」之傳統技術決定論。
二、釐清「中央資料庫（Centralized Database）」長期留存行為之市場替代風險。
三、促使 AI 巨頭與出版媒體之談判籌碼徹底位移，迫使產業由「事後對賭合理使用」轉向「防禦性事前授權（Upfront Licensing）」。

貳、 本案核心：司法「行為解構」與行為態樣原文分析

本案承審聯邦法官 William Alsup 在判決中，採取精準之司法解剖，將 AI 模型訓練流程拆解為兩個獨立的法律階段，並針對不同的行為態樣（Conduct Manifestations）給予決定性的原文定性：

一、 後端模型訓練（Backend Model Training）之高度轉化性
法院對生成式 AI 的運作本質給予技術肯認。判決指出，當大型語言模型（LLM）讀取書籍文本時，其目的並非向大眾重製或外洩內容，而是為了分析文字間的統計機率規律、語意關聯與文風特色，以建立具備全新表達能力的語言生成模型。

· 判決書原文行為態樣描述：

“The process of extracting statistical patterns and semantic relationships for machine learning purposes”
（為了機器學習目的而提取統計規律與語意關係的過程）

· 法律定性：
此種純粹用於機器學習之行為，符合美國著作權法中合理使用（Fair Use）之精神，屬於高度轉化性使用（Transformativeness / Transformative Use）。

二、 前端資料取得（Frontend Data Acquisition）之資料來源非法原罪
法院劃下第一道法律紅線：後端的技術轉化性再高，亦無法洗白前端資料來源的非法原罪（Original Sin of Infringing Ingestion）。

· 判決書原文行為態樣描述：

“The unauthorized copying and ingest of text corpora from known infringing repositories”
（從已知侵權存儲庫中未經授權重製與攝取文本語料庫）
**· 法律定性： **
開發商在明知或應知其為盜版來源的情況下，仍下載並使用該等數據，其資料獲取行為本身的違法性，將直接導致其無法主張合理使用。

參、 「中央資料庫」長期留存行為之合理使用四要素清查

本案在著作權法理上最關鍵的裁判突破，在於對 AI 公司內部「中央資料庫（Centralized Database）」行為之市場替代（Market Substitution）定性。法院運用美國著作權法第 107 條（17 U.S.C. § 107）之合理使用四要素檢驗（Four-Factor Test），逐項反駁開發商之免責抗辯：

一、 利用之目的及性質（The Purpose and Character of the Use）：
法官以一句犀利的 “It kept them anyway.”（明知故犯，但他們還是留著） 駁回附隨暫存之抗辯。法院將此行為態樣斥為：”The long-term maintenance of unauthorized digital copies under the guise of technical necessity”（在技術必要性的幌子下，長期維護未經授權的數位副本）。此舉本質上屬於為降低研發成本之商業便利行為，不利於合理使用之成立。

二、 著作之性質（The Nature of the Copyrighted Work）：
涉案語料庫包含大量核心創意作品（Creative Works）。判決書指出：”The core of the database consists of highly creative, expressive fictional works that lie at the heart of copyright protection”（該資料庫的核心由處於著作權保護核心的高度創意、具表達性的虛構作品所組成），應受最高規格保護。

三、 所引用著作之質量與比例（The Amount and Substantiality of the Portion Used）：
儘管模型輸出端並非逐字抄襲，但輸入端在中央資料庫中係百分之百、一字不漏地（In their entirety）長期保存。判決書定性：”The permanent retention of entire creative works in a searchable repository goes far beyond the justified scope of transient machine reading”（在可檢索的存儲庫中永久保留整部創意作品，遠遠超出了過渡性機器讀取的合理範圍）。

四、 對著作潛在市場或價值之影響（The Effect of the Use Upon the Potential Market）：
法院認定，私自建立未授權資料庫實質上摧毀了正在興起的 B2B 數據授權市場。判決書定性：”The behavior creates an unacceptable market substitution risk, as it effectively destroys the nascent and volatile commercial licensing market for AI training data”（該行為造成了不可接受的市場替代風險，因為它實質上摧毀了新興且不穩定的 AI 訓練資料商業授權市場）。

肆、 「實體書防禦性方案」之法理安全港與實務爭議

為了應對著作權訴訟風險，Anthropic 曾動用高昂的「實體書防禦性方案」（Defensive Physical Book Compliance Proposal），透過全球剩餘庫存商跨海大量採購正版實體書，並交由工業級掃描廠進行「破壞性數位化（Destructive Digitization）」（剪碎書脊、高速掃描轉為 PDF、隨後將原始紙本銷毀）。

一、 司法對該行為之定性

法院在法理上認可了此項物理「洗白」管道。判決原文將此行為態樣描述為：
“The process of format-shifting via authorized physical acquisition, coupled with the disposal of the original tangible medium to maintain a one-to-one ratio”
（透過授權的實體獲取進行格式轉換，並結合銷毀原始有形媒介以維持一對一比例的過程）
法院認定此舉並未增加市場上的流通副本總量，屬於合法的轉化性使用。

二、 衍生之其他實務爭議
然而，儘管在著作權法上成立合理使用，但該方案在實務操作上引發了多重衍生爭議：

1. 環境法規逆行（Environmental Non-compliance）：
跨國航運數百噸實體書產生龐大碳足跡，且掃描後隨即製造大量廢紙垃圾（Paper Waste），遭到環保組織痛批為「高碳排數據洗錢（Carbon-Intensive Data Laundering）」。
2.灰色外包道德風險：
承攬商將高速掃描後之 OCR（光學字元識別）人工校對工作，低價轉包（Outsourcing）至開發中國家，引發勞動剝削之道德譴責。
3. 市場掏空與誠信危機：
地毯式掃描採購排擠了正常二手書流向圖書館與低收入讀者的管道，導致中介二手書商面臨企業社會責任之誠信危機。

伍、 15 億美元信託基金發放機制與作者端之舉證程序

本案於 2026 年 7 月 20 日獲得美國加州北區地方法院法官 Araceli Martínez-Olguín 做出最終核准判決（Final Approval），其信託基金與舉證實務運作如下：

一、 信託基金（Settlement Trust Fund）分配規則

1. 行政扣除： 撥入由特別主事官（Special Master）監督之獨立信託基金後，先扣除訴訟成本，集體訴訟律師費大砍至 6.8%（約 1.0156 億美元）。

2. 基本配額： 淨額由最終符合資格進入集體訴訟範圍之 482,460 部註冊作品 依比例（Pro Rata）均分，每部作品（每種 ISBN/ASIN）預期獲得約 3,000 至 3,100 美元之賠償金。

3. 拆分法則： 採取獨創之 50/50 拆分法則（Default Split Rule），即賠償金一律由作者與出版社各分一半，以避開版權歸屬內鬨。

二、 作者端之侵權舉證實務

為減輕創作者負擔，法院與索賠管理人建立「推計舉證程序」：
· 官方總目錄比對法：
法院強制開發商提供其下載之原始清單，編纂官方【被竊著作總目錄數據庫】。作者僅需在官方和解網站輸入 ISBN/ASIN 或書名比對吻合，即視為初步舉證成功。

· 時效雙重審查（Crucial Pre-requisites）：
申請人必須提交美國版權局（U.S. Copyright Office）之註冊證明，且必須滿足「出版後 5 年內完成註冊」或「在開發商下載盜版數據庫（2025 年 8 月 25 日）之前或此後 3 個月內完成註冊」之雙重時間線，始具備分配資格。

陸、 新戰線：獨立作家（Opt-out）之技術取證與法規冷戰

在 2026 年初截止日前選擇「退出」（Opt-out）集體和解之英美知名暢銷作家，目前已正式開闢獨立訴訟之全新戰線，並在 2027 年跨國法規落地期 祭出全新武器：

一、 數位剽竊（Digital Plagiarism）之底層技術取證
獨立訴訟陣營跳過合理使用之爭辯，直接利用 AI 取證專家（AI Forensics Experts）提出核心代碼鐵證：

1. 記憶體過度擬合（Overfitting & Memorization）： 透過探針提示詞（Probe Prompts），證實模型在無網狀態下能精準背誦原著高達 95% 之文字，證明著作權表達已被實質重製並壓縮於商業軟體內。
2. 風格特徵軌跡吻合（Stylistic Trajectory Mapping）： 分析高維嵌入空間（High-Dimensional Embedding Space），證實模型在模仿特定作家時，其向量參數軌跡與原著作之句構、修辭特徵吻合度達 99.2%，控訴其為「數位文風綁架（Digital Stylistic Kidnapping）」。
3. 微調權重清查（Fine-Tuning Weights Auditing）： 透過證據開示程序（Discovery），查獲開發商將明星作家作品列為「高權重黃金數據集（High-Weight Golden Dataset）」，證實其刻意進行商業剝削之不當得利。

二、 2027 美國著作權局新規與歐盟 AI 法案之夾擊

1. 美國著作權局：
新規確立「機器學習數據登記透明化（Mandatory AI Training Disclosure Rule）」(註1.)，強制 AI 公司公開訓練數據清單，引發舉證責任倒置；同時擴大「衍生作品權（Derivative Works Right）」之保護，認定大量攝取單一創作者風格以致實質取代其衍生市場之行為構成侵權。

2. 歐盟《人工智慧法案》（EU AI Act）之域外效力：
依據其通用人工智慧（GPAI）合規條款，強制在歐盟上架之模型公開數據摘要，提供美國作家跨海調閱聯邦鐵證之管道；並以全球年營業額 3% 之天價罰鍰，逼迫開發商必須在全球範圍落實作家的 Opt-out 權利。開發商之技術反制：防記憶過濾器（Anti-Memorization Filters）

3. 開發商亦動員工程師於底層代碼展開反擊：

• 即時輸出阻斷（Alignment-Stage Output Blocker）：
  在模型輸出端建立過濾網，若發現生成文字與版權指紋庫連續重合超過閾值（如連續 20 字），即強行阻斷。然而，原告專家目前正利用越獄技術（Jailbreak）繞過過濾網，向陪審團證明模型內部的「權重記憶」依然存在，屬於治標不治本的迴避作為。
• 權重去相關化（De-correlation of Activation Weights）：
  導入機器去學習（Machine Unlearning）技術，試圖在訓練階段洗去對特定版權文字的精確記憶，此舉目前正與原告的「隱蔽探針（Soft Prompts）」展開高度技術拉鋸。

柒、 階段性觀察分析與企業行動指引建議

基於 Bartz v. Anthropic 案所確立之司法實務與 2027 年最新法規趨勢，AI研發企業與立法政策機構可以參考以下關鍵作為具體行動：

一、 針對 AI 研發企業之合規指引（Corporate Compliance Plan）

1. 立即啟動「前端語料庫」全面審計（Data Cleansing Audit）
   研發團隊必須即刻清查現有中央資料庫之來源。凡有涉及影子圖書館（如 LibGen、Books3）或未授權之網路爬蟲數據（Scraped Data），必須立即啟動刪除與去相關化（Unlearning）程序。切勿抱持「後端技術具轉化性即可免責」之僥倖心態。
2. 建構「訓練完即刪除」之過渡性複製架構
   有鑑於法院特別指出「中央資料庫長期留存行為」，企業應調整Data Pipeline架構。在原始語料完成模型參數提取後，應於法定過渡期內立即銷毀原始數位快取（Cache），避免在伺服器中形成「未經授權之數位圖書館」，以防杜「市場替代」之侵權指控。
3. 積極洽簽「事前防禦性授權」（Upfront Defensive Licensing）
   商業化模型之核心數據，應全面轉向事前付費授權。合約中必須明確界定「數據留存期限（Data Retention Period）」與「二次微調限制」，並在內部配置「防記憶過濾器」作為輔助性合規證明。

二、 針對立法與政策制定機構之建言（Policy Recommendations）

1. 推動引進兼顧創作者權益之折衷式 TDM 豁免條款
   政策制定機構在考量主權 AI（Sovereign AI）發展與著作權保護時，應擺脫「模糊的合理使用對賭機制」的舊思維，建議引進「文字與資料探勘（TDM）商業豁免，但賦予權利人 Opt-out 拒絕權」之折衷立法。藉此讓科技公司在面對未明確宣告拒絕之著作時能合法訓練，同時保障明星創作者之實質掌控權。
2. 考慮成立「AI 著作權集體授權組織（AI CMOs）」
   為降低科技公司與成千上萬獨立創作者逐一談判之龐大交易成本（Transaction Costs），政府可以主動輔導出版界、新聞媒體界與軟體業，聯合成立標準化的「數位授權池（Licensing Pool）」。透過集體談判與階梯式定價规費，將 AI 產業由「野蠻生長、法庭見面」引導至「計價合規、制度分潤」之良性生態體系。

註1. 美國著作權局現行實務

2023年登記指引（正式實務規範）
· 英文全名： Copyright Registration Guidance: Works Containing Material Generated by Artificial Intelligence
· 中文譯名： 《包含人工智慧生成內容之作品著作權登記指引》
· 官方簡報PDF： 可直接於 美國著作權局 AI 政策指引頁面 下載查閱。
· 主要內容： 定調「人類原創性」原則，並正式規範申請人在登記包含 AI 生成素材的作品時，必須主動揭露並在申請書中予以排除（Limitation of Claim）的操作流程。

2024–2025年《著作權與人工智慧報告》
· 官方入口網站： U.S. Copyright Office — Copyright and Artificial Intelligence
· Part 1： 數位複製人與深層偽造（Digital Replicas）
· Part 2： AI 生成內容的可著作權性（Copyrightability of Outputs）
· Part 3： AI 模型訓練與版權素材（Copyright and AI Training）

關於機器學習數據（即 AI 訓練資料集）的「透明化」規範與法律立場，是屬於官方政策報告的 第三部分 (Part 3：Generative AI Training / 生成式 AI 訓練報告)。 在 2025 年 5 月發布的 《著作權與人工智慧報告：第三部分 — 生成式 AI 訓練》 中，核心焦點就是「將版權素材拿去餵給機器學習模型」的適法性。關於透明化的核心重點包括：

· 訓練數據記錄義務： 報告中探討並支持「AI 開發者應維持並公開揭露其所攝取的版權訓練素材記錄」。
· 透明化的目的： 提高數據透明度是為了讓版權所有者（文字創作者、藝術家、音樂人）能夠查證自己的作品是否在未經授權的情況下被納入機器學習，進而以此作為訴訟或申請分潤的依據。

本文引自《生成式人工智慧（Generative AI）著作權合規風險與國際法制趨勢》原文詳見

越來越多企業著手導入 AI，專案卻往往在落地前就卡關。許多人以為問題出在「模型不夠聰明」，但實務經驗顯示，真正的致命傷是三道關卡：底層的算力取得、中層的環境部署，以及上層的用量與成本治理。這些難題不僅讓專案在前期陷入冗長且昂貴的建置泥淖，即使順利上線，也常因「帳單一團亂」而陷入失控窘境。

台灣 AI 算力服務商康斯特（KONST）團隊結合多年實戰經驗，整理各產業導入 AI 的真實案例，提醒企業，與其盲目添購硬體，不如從自身需求出發，找到對應的解方。

從裝置到 Token 用量，每一層都有待解問題

在 AI 導入的背後，企業光是在技術面就有三大關卡：算力來源、環境部署，以及用量治理。過去，從基礎設施的一度電到終端應用的一個 Token，這些環節通常分屬不同供應商，迫使企業必須自行承擔繁重的跨廠整合成本。

看準這項痛點，One KONST 提出了一體化解決方案。透過體系內部分工，由 Konstra AI 負責硬體算力、Glows.ai 專攻雲端部署，未來智慧（Horizon AI）則接手應用落地與用量治理。這種將三層架構收攏於單一服務體系的模式，讓企業只需面對單一窗口與一張訂單，大幅降低了 AI 導入的技術門檻與溝通成本。

回顧企業常見的 AI 難題，無論是「算力該配哪種機型？」、「環境到底怎麼裝設？」以及「模型花費怎麼算？」這三個看起來都在問 AI 導入的問題，卻分別卡在三層不同的技術位置上。以下將分別描述：

把電力與晶片變成可交付的算力：基礎設施層

以全台大型補教集團為例，為了維持長年累積的專屬教材插圖風格，他們無法仰賴生成畫風始終有落差的開源模型；然而，若要自行訓練模型，自建運算資源與維運的門檻又過高，導致美編工時與外包費用成為持續失血的負擔。為此，KONST 替其部署了專屬 GPU 節點的託管雲，讓集團能在完全獨立、素材與權重不進入公用資源池的環境中訓練自有模型。這樣的部署直接讓該集團的設計流程標準化，效率翻倍提升，並大幅削減了外包成本。

而對於資料敏感度極高的金融業而言，部署環境又是另外一種截然不同的挑戰。礙於法規限制無法使用公有雲，但在地化自建又面臨 IT 團隊缺乏高階 GPU 架構維運經驗的困境。面對這類極致合規的需求，KONST 團隊選擇直接進駐銀行的自有資料中心，以三星期的時間，便在內網建置出完全隔離的 GPU 設備與平台環境。這不僅確保了所有高敏感資料完全無需離開銀行，其高度的擴充彈性，也讓銀行未來在新增 AI 應用場景或增加算力時，能直接疊加資源，無須從頭建置。

打破閒置與尖峰的算力兩難：雲端部署層

作為串接底層算力與上層應用的橋樑，Glows.ai 提供開機即用、預載常用框架且按秒計費的 GPU 雲端服務。在實務現場，許多單位的 AI 專案往往是被「等出來」的。例如，大學教授開辦 AI 課程，常受限於冗長的硬體採購與環境排錯，學生只能空等；高教醫工系的影像模型訓練，跑一次大半天就過去了。在轉移至 Glows.ai 後，學生登入即可直接實作，而醫學影像的單次訓練時間更從 8.5 小時縮短至 1 小時，讓研究團隊每天的實驗迴圈增加至原本的 8 倍。

除了省去建置時間，雲端部署更能解決企業「為滿足尖峰用量，添購機器設備，卻有大半時間閒置」的痛點。以某生醫集團為例，其現有運算資源僅能滿足日常所需，因此，每逢研發高峰，研究人員往往得排隊苦候；但若為此添購新機，離峰時段又會面臨設備閒置的成本浪費。

透過 Glows.ai 的混合雲機制，他們將既有伺服器化為私有節點接入，平時用自家算力，高峰時彈性調用公有雲資源。同一個排程介面，資源池變大了，卻不需額外添購機器，成功讓每月訓練成本降低 69%（從新台幣 260 萬元降至 80 萬元）。同樣地，需要處理多模態資料的內容科技新創，也能依訓練階段靈活切換不同規格的 GPU，讓訓練時長與成本雙雙減半，加速新功能上線。

AI 融入工作流後不讓成本暴增：模型與應用層

當算力與環境皆已就位，真正的商業考驗才正要展開。Horizon AI 專注於讓 AI 真正落地，成為「進入工作流的數位同事」，而非孤立的聊天軟體。以一家快速跨國擴張的電子科技新創為例，Horizon AI 將自動會議摘要、企業知識庫與行銷素材生成，無縫整合進企業日常使用的 Lark 協作平台中。這讓會議紀錄 100% 自動化產出，甚至只要在對話框輸入指令，就能生成符合品牌版型的簡報，產出速度提升 10 倍。

然而，當 AI 應用全面鋪開，「Agent 越好用，帳單越看不懂」便成為企業隨之而來的管理夢魘。輕量任務誤用昂貴的旗艦模型、跨部門用量歸屬不明、失效的測試金鑰持續計費，這都不是模型太貴的問題，而是缺乏治理基礎。

為此，Horizon AI 導入了貫穿底層的 ATP Token 治理平台。透過「組織、工作區、專案、金鑰」四層架構分配權限，一把金鑰就能介接超過 70 種模型。這套機制能強制輕量任務不得調用旗艦模型，從源頭擋下浪費；不僅將多家供應商的費用收斂成「一份整合帳單」，每一筆請求更留有完整的稽核日誌。這套解方甚至在Horizon AI自家團隊中，成功達成「0 無預算歸屬支出」與「專案零超支」的精準治理，讓每個客戶專案的 AI 成本與毛利即時透明。

AI 的難題會流動，看準關卡再出手

回顧這些產業現場，可以發現，AI 的難題是會流動的。解決了算力硬體，才有餘力精進研發；將私有伺服器接上了雲端，才會發現尖峰調度才是真正的瓶頸；當 AI 應用好用到天天運轉，問題立刻從「能不能用」變成「預算怎麼控制」。導入 AI 從來不是單次的採購決策，而是一場隨著規模變化不斷變動的過程。每解決一層，下一層的挑戰就會浮現。

因此，企業該問的不再是盲目的「我們需要買多少張卡？」，而是重新檢視工作負載節奏以決定硬體歸屬、提早確認資料合規的邊界，並在規模化擴張前，先將用量治理機制就位。唯有清楚自己現階段正卡在哪一層，才能精準突圍，真正將 AI 轉化為推動企業前進的生產力。

壹、 前言

2025 年 6 月 23 日，美國加州北區地方法院的一項細緻的判決，正式為生成式人工智慧（Generative AI）發展史上相當漫長且具毀滅性的法律圍攻定調。雖然部分程序爭議仍留待後續訴訟釐清 ，Bartz v. Anthropic PBC 案最終係以高達 15 億美元的版權損害賠償和解協議（Copyright Damages Settlement Agreement）落幕。

這項由英美多位知名作家發起的集體訴訟（Class Action），不僅是一次涉及天文數字的商業和解，在法理層面上，它徹底打破了科技巨頭過去數年來奉為圭臬的「先訓練、後和解、一律主張合理使用」的粗暴神話；在產業結構上，它首創了極具前瞻性的「行為解構分析框架」（Behavioral Decomposition Analytical Framework），將 AI 訓練區分為「前端資料取得」與「後端模型訓練」，以精準細緻的方式試圖劃定合法轉化與惡意侵權的法律紅線。本案對全球科技與著作權法制的深遠意義，本文即以其核心層面分析之。

貳、 首創「行為解構」的著作權分析框架與判決原文態樣

在 Bartz 案之前，多數科技公司與著作權法學者將 AI 訓練視為一個單一、連續且不可分割的法律行為。然而，承審本案的聯邦法官 William Alsup 採取了更為細緻的司法解剖，將整個 AI 模型訓練流程拆解為兩個獨立的行為態樣（Conduct Manifestations），並針對不同行為態樣對應法律階段給予了關鍵的定性。

第一個階段是「後端模型訓練（Backend Model Training）」。法院在此案中，對生成式 AI 的運作本質給予了高度的技術肯認。判決指出，當大型語言模型（LLM）讀取書籍文本時，其目的並不是為了向大眾「重製」或「外洩」這些著作的內容，而是為了分析文字與文字之間的統計機率規律、語意關聯與文風特色，這種行為的目的，是為了建立一套具備全新表達能力的語言生成模型。法院在判決書中，將這種純粹用於機器學習的行為態樣定性為 “The process of extracting statistical patterns and semantic relationships for machine learning purposes”（為了機器學習目的而提取統計規律與語意關係的過程），認為這符合美國著作權法中合理使用（Fair Use）的核心精神 — — 高度轉化性使用（Transformativeness / Transformative Use）。

第二個階段則是「前端資料取得（Frontend Data Acquisition）」。法院劃下的第一道紅線在於：後端的轉化性再高，也無法洗白前端資料來源的非法原罪。原告方在庭審中出示鐵證，證使 Anthropic 曾從 Library Genesis (LibGen) 與 Books3 等國際著名的盜版影子圖書館（Shadow Libraries）中，取得了超過 700 萬本未經授權的電子書。

法院認為，AI 公司在明知或應知其為盜版來源的情況下，仍下載並使用這些內容，其資料獲取行為本身的違法性，將直接導致其無法主張合理使用。法院在提及此階段的行為態樣時，直接使用了極其嚴厲的原文描述：”The unauthorized copying and ingest of text corpora from known infringing repositories”（從已知侵權存儲庫中未經授權重製與攝取文本語料庫）。

這個「雙軌框架」的確立，終結了長久以來技術決定論的傲慢，明確宣示了技術的創新不能豁免獲取管道的非法性。

參、 釐清「長期儲存資料庫」的實質市場替代風險

本案在著作權法理上的另一大突破，在於對 AI 公司內部「中央資料庫（Centralized Database）」行為的定性。許多 AI 廠商在實務上，為了便利工程師調整參數、進行數據清洗（Data Cleaning）與重現訓練結果，會在伺服器中永久保留下載或掃描而來的極大量著作庫。Anthropic 的律師主張，這些資料庫只是模型訓練的「附隨暫存行為」，應受到合理使用保護。

但法院對此給予了毀滅性的否定，法官以一句犀利的 “It kept them anyway.”（明知故犯，但他們還是留著） 駁回了這項辯詞，並將這種行為態樣斥為 “The long-term maintenance of unauthorized digital copies under the guise of technical necessity”（在技術必要性的幌子下，長期維護未經授權的數位副本）。

法院認定，當 AI 公司在訓練完成後，仍繼續在其內部資料庫中長期儲存、保留這些非授權著作，這已經不再是純粹的機器學習，而是實質上建立了一個「未經授權的數位圖書館」。這種長期保留行為，讓 AI 公司的研發團隊和內部人員得以隨時檢索與存取原始作品，實質上取代了原著在正常市面上的商業授權需求（如 B2B 的資料庫訂閱服務）與流通，構成了嚴重的市場替代（Market Substitution）風險。此項認定直接切斷了 AI 公司利用「過渡性複製（Transient Copying）」作為法律避風港的企圖。

肆、 揭露「實體書洗白」的防禦性法律策略與巨大反差

隨著訴訟文件的深入解密，本案也揭露了科技公司為了在法律夾縫中求生存，不惜動用極其高昂且具爭議性的「實體書防禦性方案（Defensive Physical Book Compliance Proposal）」。為了應對著作權訴訟，Anthropic 曾豪擲數百萬美元，在全球各大圖書市場大量採購正版實體書，並交由工業級掃描廠進行「破壞性數位化（Destructive Digitization）」：利用機械液壓裁刀直接切除書脊、將每一頁書頁裁切分離，送入高速掃描機轉成 PDF 數位檔案。

法院審查對此做出了極具歷史反差的雙重認定。首先是「實體洗白合法」，法院認定，如果 AI 公司花錢購買正版紙本書，將其一對一轉為數位檔案後即銷毀原始紙本，判決原文將此行為態樣描述為 “The process of format-shifting via authorized physical acquisition, coupled with the disposal of the original tangible medium to maintain a one-to-one ratio”（透過授權的實體獲取進行格式轉換，並結合銷毀原始有形媒介以維持一對一比例的過程），這在法律上被評價為合法的轉化性使用，因為它沒有增加世面上作品的流通副本總量，僅僅是持有型態的物理轉變，並未破壞版權方的潛在市場。

然而，與此同時，Anthropic 內部因為資料與數據獲取的便利性，依然在伺服器中永久保留了高達 700 萬冊來自 LibGen 的盜版電子書，這種「一邊重金暴力拆書以求合規，一邊暗度陳倉保留盜版數據」的巨大商業反差被攤在陽光下後，科技公司的合規成本與法律誠信受到了司法系統的嚴厲審視，也成為逼迫其達成 15 億美元和解金的關鍵推力。

伍、 徹底扭轉 AI 巨頭與出版媒體的商業談判籌碼

在前述對本案判決具有層次的分析下可知，Bartz v. Anthropic 案所砸下的 15 億美元巨額罰款，成為 AI 產業的集體緊箍咒，徹底重塑了 OpenAI、Google、Anthropic 等巨頭後續與出版、新聞及影音產業在談判桌上的實力對比與談判策略。

在美國著作權法框架關於集體訴訟與故意侵權（Willful Infringement）的法定賠償（Statutory Damages）等壓力下，面對動輒擁有數百萬、數千萬篇報導與文學資產的媒體巨擘，潛在的賠償總額完全是毀滅性的天文數字。Bartz 案的判決表明，法院對於「來源不當」的清查是極其嚴格的。為了消除這項可能導致模型被強制下架（Injunction）或公司賠償的毀滅性風險，OpenAI 等大廠徹底放棄了早期在法庭上與媒體死守合理使用抗辯的強硬態度，全面轉向防禦性事前授權（Upfront Licensing）。近一年來，OpenAI 與各大國際新聞集團、媒體出版商動輒簽署數十億美元的授權費，本質上都是 Bartz 案效應的延續。

此外，著作權權利方在談判桌上的籌碼，因本案對「中央資料庫」的嚴厲定性而暴增。在數據留存期（Data Retention Period）方面，媒體在與 AI 公司談判時，開始強制要求在合約中加入「訓練完即刪除原始快取數據」的條款，或針對長期留存、檢索與二次微調（Fine-tuning）的權利，索取高額的溢價權利金。同時，第三方審計也成為合約必要條款，如同本案和解協議的要求，現在的著作權授權協議中，權利方往往擁有資料數據審計權（Data Auditing Right），有權派遣獨立第三方機構稽核 AI 公司的數據庫，確保其模型中沒有摻雜任何來路不明的洗稿內容。

陸、 後續預測：走向「集體授權組織」與「技術對抗」的冷戰

本案實質上促成人工智慧與著作權法的交集與變革，展望生成式 AI 與著作權法制的下一步演進，Bartz 案所留下的法律遺產將催生以下幾項趨勢。

第一是「AI 著作權集體授權組織（Collective Management Organizations, CMOs）」的必然湧現，既然免費擷取網路資料數據內容的拓荒時代已宣告終結，而科技公司與個別作家、獨立中小型出版商逐一談判的交易成本（Transaction Costs）又過於巨大，仿照音樂產業的集體授權模式將在兩年內成為主流。預期出版界將統一建立授權池（Licensing Pool），對 AI 公司發布標準化、階梯式的定價，藉此在保護創作者與降低科技創新成本之間取得平衡。

第二是實體洗白供應鏈與「合成資料（Synthetic Data）」的雙線演進。在各國法律尚未完全針對文字與資料探勘（Text and Data Mining, TDM）完成修法前，由 Bartz 案放行的實體書洗白管道，將維持其作為獲取高品質乾淨語料的防禦性手段。同時，大廠將更積極研發合成數據，試圖用 AI 生成的數據來訓練 AI，以擺脫人類著作權的掣肘，但這也將面臨模型退化（Model Collapse）的技術瓶頸。

第三則是著作權方的技術反擊，這意味著賽局將從法律戰納入代碼戰。未來創作者將不再僅依賴事後的法律訴訟。諸如 Nightshade（夜影）或 Glaze（釉料）等主動式權利防禦技術（Active Copyright Protection Technologies）將全面普及。這些技術透過在數位出版品、圖像、文本的底層代碼中嵌入微小的像素或語意擾動，能在機器強行抓取（Scraping/Crawling）訓練時，直接破壞模型內部的參數關聯，導致模型功能出錯。未來的著作權市場，將演變成一場「法律授權」與「技術防禦」雙軌並進的科技冷戰。

柒、結論

Bartz v. Anthropic 案以 15 億美元的沉重代價，為這個野蠻生長的生成式 AI 時代劃下了第一道文明的底線：技術的轉化性創新，永遠無法洗白取得著作權來源時的非法原罪。它迫使科技公司告別了免費擷取人類知識結晶的拓荒時代，全面推動 AI 產業走入「付費授權、來源合規、定期審計」的制度化深水區。

本文引自《變革的臨界點：Bartz v. Anthropic 案如何重塑 AI 時代著作權保護、合理使用範圍、相關利益分配與法理邊界》原文詳見

AI 讓工作變快了，省下來的時間不一定回到員工手上，但卻可能直接對員工造成負面影響。台灣勞動調解學會於10月中旬在元照出版公司舉辦「AI導入運用對勞動市場的影響與因應前瞻對談」。

與會者對「AI 能提升效率」幾乎沒有異議，但效率背後帶來的影響與風險是什麼？如何取得平衡？才是目前需要關注的重點。政府部門代表指出， AI 從資料收集、工作強度到自動化決策可能帶來的多重風險；企業端強調提早轉型與再培訓，勞方關心報酬與工作保障。而根據學者的調查則初步顯示，企業與員工之間的資訊落差，可能比技術本身更值得注意。

這場對談由學會理事長、德勤商務法律事務所合夥律師蔡志宏，與人工智慧科技基金會執行長溫怡玲共同主持。勞動部政務次長李健鴻、中央大學人力資源管理研究所兼任副教授辛炳隆、星展銀行人資長朱麗文，以及全國金融業工會聯合總會（全金聯）秘書長韓仕賢，分別從政府、學界、企業與工會的角度，討論 AI 進入工作現場後對勞動市場的影響與因應之道。

李健鴻：AI 進入職場，風險從資料延伸到決策

李健鴻表示，從資料收集、人機互動、職業安全衛生、社會環境談到自動化決策， AI 對勞動者都有一定程度的影響，問題並不只是「工作會不會被取代」。

例如資料風險。AI 系統透過各種電子設備，大量收集勞工在勞動過程中的資訊並快速分析，這個過程必然涉及個資，而系統本身的資安防護若不足，就可能面臨外洩風險。

還有人機互動層面的多種問題。「人機協作」早期指的是勞工與機器人一起工作，如今已擴大到勞工與 AI 系統每一個協作的流程步驟，風險也隨之增加。像是系統即時收集大量工作資訊、部分系統甚至每小時產出一次績效分析，主管接到 AI 的通知，就能即時透過警示系統提醒、警告或要求員工改善，很容易造成過度監控的問題。

其二是工作強度提高。李健鴻提到，國際勞工組織（ILO）秘書長 6 月在國際勞工大會上也強調了這一點。AI 讓效率提高後，勞工、主管與雇主都會預期產出跟著增加，但工時沒有改變，省下來的時間要做什麼，是三方接下來都要面對的問題。他 2 月發表於《哈佛商業評論》的一篇觀察研究，研究者在一家約 200 人的美國科技公司進行 8 個月的田野觀察與訪談，發現員工提前完成工作後，往往在沒有被要求的情況下接下更多任務，甚至把工作延伸到午休與傍晚，工作者的工作強度與壓力不減反增。

第三個層次是職業安全衛生。李健鴻指出，安全衛生已不是傳統意義上的身體健康，而包括心理壓力。工作強度提高，壓力隨之變大；當 AI 把流程標準化，勞工的自主裁量空間也跟著下降，除非是已能純熟運用 AI 的人，否則工作成就感與滿意度都可能降低。

第四個層次是社會環境，也就是輿論最關心的工作被取代。李健鴻引述國內外文獻指出，國外研究多數認為確實有工作被取代，但也有研究認為影響有限。國內研究多集中在金融業，金融業導入 AI 後多半先調動員工職務並重新訓練，尚未出現大規模失業；科技業則已有媒體報導，從竹科到內湖園區出現基層工程師、檢測與品管人員被取代的案例。

綜觀目前AI對整體勞動環境的影響，他認為最大的是自動化決策，也就是由系統直接評估員工表現，甚至提出錄用、解僱等決策建議。企業若完全採用 AI 的判斷，對勞工的影響極大，因為使用者無從得知這些建議是否隱含偏差，同時也還沒有國家建立完整有效的外部稽核制度。

為了有效管控這些風險，李健鴻引用國際工會聯合會（ITUC）主張的幾項原則：透明、人為介入監控、可解釋與負責，這已是各國政府與大型企業討論 AI 治理時的共同基礎。

本場論壇精彩系列報導》：

• 企業端解方：星展銀行提前溝通、完整治理架構
• 學者調查：多數企業自認已導入，勞工卻未必知情
• 金融從業人員：工作未被取代但薪資K型化

企業端解方：星展銀行提前溝通、完整治理架構

朱麗文指出，星展銀行的數位轉型已經走了十年，生成式 AI 的應用則是兩年多前才開始。今年起，星展全面推動 AI 代理人，也就是能自行拆解任務、串接不同系統、完成多步驟工作的 AI 程式，人資部門是應用最多的場域之一。

朱麗文引述國際報告指出，未來五年將有約 20 萬個銀行業工作出現變動。這個數字與彭博行業研究（Bloomberg Intelligence）2025 年初的估計相近，但原報告的用語是全球銀行未來三到五年可能「裁減」最多 20 萬個職位。朱麗文的詮釋則是，這些工作更多是內容轉型，而非完全消失；新職位也會同時出現，而批判性思考、韌性等軟技能，仍是 AI 難以取代的部分。

基於這個判斷，星展內部的最高指導原則是「save people, not jobs」：工作內容會改變，甚至部分工作會消失，但不讓員工因 AI 而失去工作。她強調，等到工作改變後才跟員工溝通是不負責任的，因此星展先分析 AI 對各類工作的影響，再提早與員工溝通並安排訓練，讓所有員工「先學再做」。對於心存憂慮的職員，她則用一個比喻溝通職能的轉變：當每位員工都能指揮好幾個 AI 代理人，就等於人人都成了主管，只是管理的對象是機器。

至於「省下的時間要做什麼」，朱麗文以三個內部實例回應。星展的內部分析，會將工作內容拆解為幾個不同面向，以便深入了解工作中不同任務如何因AI導入而改變。

例如負責支援業務單位的人資人員，可以清楚看到執行層面的時間減少，與主管討論人才策略、做人力分析與組織設計的時間則增加。招募端則先由 AI 機器人替上千份履歷排序，但最後錄取決定一定回到人身上，由人做最後決定，以降低風險。另外，工程師寫程式的時間因程式輔助工具而減少，但增加的是測試與品質保證等工作。她的結論是，部份任務確實會被取代，但工作本身不會消失。

同時，AI治理是星展的另一個重點。朱麗文提到，生成式 AI 的運作建立在統計原理上，使用一段時間後可能偏離預期，甚至一本正經胡說八道，因此星展建立了完整的治理架構，明文規定AI管理的分工與權責， 「由人做最後判斷，是最重要的原則 。

主持人之一蔡志宏過去長年擔任法官，他從勞動訴訟與調整的實務經驗回應，人資長往往是勞資爭議中代表資方的窗口，其態度常影響公司決策與糾紛走向。因此「讓工作內容轉變，而非因 AI 提升效率就讓員工離開」的立場值得重視。

本場論壇精彩系列報導》：

• 李健鴻：AI 進入職場，風險從資料延伸到決策
• 學者調查：多數企業自認已導入，勞工卻未必知情
• 金融從業人員：工作未被取代但薪資K型化

學者調查：多數企業自認已導入，勞工卻未必知情

辛炳隆先提出一個判斷：單從技術可行性來看，AI 加上自動化幾乎能取代九成工作，但企業是否真的這樣做，還要考量成本、顧客接受度、市場規模與法規。社會對 AI 的疑慮變大，也可能逐漸反映在法律規範上。

從國家整體人力資源的角度來看，他也認為取代不必然是壞事。因為台灣面臨少子化，勞動力本來就在減少，若 AI 無法接手，缺工問題反而更嚴重。但真正需要關注的難題在於時間上的平衡：若 AI 取代勞動需求的速度，快過勞動力自然減少的速度，就可能出現大量失業。他認為這是國發會與勞動部需要共同找出平衡點的政策問題。

辛炳隆今年稍早調查企業將 AI 導入人力資源管理對勞工的影響。結果發現有 72.7% 的企業表示已導入 AI，但全面導入的比例僅 7.4%，多數是在部分功能上使用。辛炳隆推測，導入率偏高可能是因為企業把員工自行使用 ChatGPT 也視為導入；若比照較嚴謹的研究設計，區分員工個人使用與企業層級導入，比例應該會再降低。

另一個有趣的數據是，約三成受訪者完全不知道自己的公司是否導入 AI。由於企業與員工問卷並非配對樣本，這個比例無法直接對照企業端的導入率，但仍可能反映出企業導入 AI 時，與員工的溝通並不充分。

員工對 AI 的態度呈現明顯的雙重性：75.1% 認為 AI 可提升效率，卻有 82.2% 擔心 AI 帶來負面影響。員工端最擔心的是 AI 強化對勞工的監控，擔心隱私與個資過度收集的比例超過六成。企業端約九成認同重要人事決策應由人做最後決定。但辛炳隆提醒，在 AI 風險備受媒體關注的氛圍下，受訪者可能傾向填寫「社會期待」的答案，也就是被認為「應該這樣做」的做法，不一定反映實際情況。

至於企業為何尚未導入，最常見的理由是管理階層根本沒把 AI 列為優先事項，其次是數位化資料基礎不足。AI 需要資料「餵養」，資料不健全就很難導入。

辛炳隆也提醒，許多受訪者認為 AI 可以減少人為偏見，但這並不等於沒有偏見。AI 的建議來自歷史資料建立的模型，就像照著舊地圖找路，地圖若本身畫錯，走得再精準也只是重複錯誤；訓練資料若帶有歧視，AI 就會複製歧視。他建議以清楚的規範降低勞工的不確定性，包括導入前告知員工、保留人為管控，以及為 AI 參與的決策建立複核與申訴機制；長期而言，可能也需要第三方公正單位對企業的 AI 風險治理進行認證。

調查問卷透過人力銀行發放，於今年 1 月 7 日至 15 日回收 514 份樣本，其中企業 161 份、勞工 353 份，產業以資訊科技與金融保險業為主。辛炳隆坦言，受限於經費，並非嚴謹的抽樣調查，不能代表所有企業的樣貌，但與一般體感大致相符。

主持人溫怡玲也回應，認為這個調查的結果相當值得參考。比對人工智慧科技基金會（AIF）2026年《產業 AI 化大調查》結果，AIF發現今年企業普遍投入 AI，但最被忽視的仍是人才。許多企業把預算拿去採購設備，同時又表示最缺的是人才。她也提到，這一兩年類似的調查紛紛出現，有趣的是並不因調查單位或樣本數而改變；曾有人以 AIF 的調查為基礎，將樣本數擴大到符合標準信賴區間的 1,067 份，結論並沒有差異。她認為，最重要的仍是傾聽當事人的聲音，也因此請代表金融從業人員的韓仕賢分享勞方觀點。

本場論壇精彩系列報導》：

• 李健鴻：AI 進入職場，風險從資料延伸到決策
• 企業端解方：星展銀行提前溝通、完整治理架構
• 金融從業人員：工作未被取代但薪資K型化

金融從業人員：工作未被取代但薪資K型化

代表勞方的韓仕賢從金融業現場切入。他認為 AI 已是大勢所趨，金融業與科技業走在最前面，影響也最早顯現：部分職務逐漸被取代，現階段仍以人機協作為主，同時也出現與 AI 相關的新職缺。銀行過去招募的多是商管、經濟與財金背景人才，如今需求已經不同；分行通路的重要性也在下降。

他以今年 5 月渣打銀行提出裁員引發的爭議為例。渣打集團執行長溫拓思公開表示，裁員是以「科技投資」取代「低價值人力資本」，該行計畫於 2030 年前裁減約 7800 個職位引發社會震動，香港與新加坡金融監管機關隨後要求說明。韓仕賢認為，不論這是失言或真心話，都是重要的提醒。他也引用 2008 年金融海嘯時國內銀行裁員的經驗指出，AI 時代是否出現類似的裁員潮仍難判斷，但不容掉以輕心。

另一個隱憂是新進人員。初階工作最容易被 AI 取代，企業因此更依賴資深與高階人員；但若新人沒有機會從基層累積經驗，企業內部將來可能出現專業人才的斷層。

他也舉出去年 12 月至今年初對金融從業人員的調查為例，回收 1400 多份，銀行員約占六到七成。研究結論有三個。首先，現階段 AI 取代的是工作內容，主要是資料收集、分類與處理，尚未出現裁員狀況。其次，效率確實提升，報酬分配則不如預期樂觀：中低度使用 AI 的員工，收入並未因此顯著增加；年薪百萬以上的高薪者，效率提升最明顯，升遷機會與工作自主性也隨之上升。也就是說，AI 的紅利有門檻，若持續下去，可能形成薪資的 K 型化，高薪者越往上、其他人停滯或下滑。第三，受訪者普遍認為未來兩年內不太需要擔心 AI 造成裁員，但若放寬到十年，有三成以上受訪者則認為有發生的可能。

基於這些發現，韓仕賢提出幾項建議。他主張先建立勞資信賴關係，利用部分大型金融業者已設立的 AI 委員會，或既有的勞資會議，讓勞方對 AI 導入享有知情權與參與權。對於可能因此流失的工作，他建議參考過去金融合併的經驗，事先協商優離優退等配套，但重點仍在於業者必須投入資源，為需要轉型的員工提供再培訓。他強調，AI 不應擔任人事決策角色，最後決定應由人做成；若 AI 預測出錯導致錯誤決策，例如保險理賠，責任也不應全部由員工承擔。

在法制層面，韓仕賢認為勞動基準法中關於調動，以及因業務性質變更而終止勞動契約的規定，都有檢討空間。他也指出，團體協約法規定團體協約不得限制雇主採用新式機器、改良生產，但 AI 導入可能大幅改變勞動條件，因此主張修法放寬，讓工會能就 AI 導入與雇主協商。勞動部目前正研擬「雇主運用 AI 及勞工權益保障指引」草案，預計年底公布，全金聯也已於 8 月提出意見。

制度能否跟上轉型的速度？

從四位與談人的發言來看，企業應用AI已是事實，也不可能走回頭路；需要關注的是轉型成本由誰承擔、效率的紅利由誰分享。由星展的經驗來看，企業若能提早分析工作內容的移轉並投入培訓，員工的恐懼可以降低；但辛炳隆調查中三成勞工不知公司是否導入 AI，加上金融業問卷中報酬分配的落差，初步顯示這樣的做法未必是多數企業的常態。

李健鴻提出的「省下的時間要做什麼」，資方可能的答案是更有價值的工作，在勞方眼中卻極可能是更高的工作強度與不對等的紅利。兩種答案之間的距離，恰好是知情權、協商機制與外部稽核可以發揮的空間。勞動部研擬中的指引公布後能否縮小這段距離，以及年資深淺不同的員工能否都分享到 AI 帶來的好處，都值得持續觀察並進行情境模擬，以討論制度與法規調整的方法。

本場論壇精彩系列報導》：

• 李健鴻：AI 進入職場，風險從資料延伸到決策
• 企業端解方：星展銀行提前溝通、完整治理架構
• 學者調查：多數企業自認已導入，勞工卻未必知情

AI 該怎麼管，各方爭議還沒有定論，但是名稱倒是先換了，從Artificial Intelligence改成Superintelligence？！AI 公司們和白宮簽署協議，自願接受外部監管，協議名稱裡已經看不到「AI」，取而代之的是「超級智慧」。這個名稱的更換，只是修辭上的選擇，還是一種預告？除此之外，最近AI界又有哪些變化呢？

一、從螢幕走進隨身裝置：AI 代理開始進入日常

• Meta Muse agent 重磅升級
  Meta 先前推出「常駐型個人 AI 代理」Muse，能主動替使用者跨網站操作、寄信、購物與規劃行程。近期在 Connect 2026 大會上，Meta 進一步為 Muse 帶來多項升級，包括鑰匙扣式隨身裝置 Charm、即將推出的 AI 眼鏡整合功能，以及以虛擬形象進行即時影音對話的能力。
• OpenAI 發布一款可在雲端全天候運作的AI代理
  OpenAI 在 DevDay 發表會上推出「Dots」，這是一款可在雲端全天候運作的 AI 代理，定位與 Meta 的 Muse、SpaceXAI 的 Grok bot 相近。同場還發布了新模型 GPT-6.1 Sol，以及團隊共享工作區、Ultrafast mode 等新功能。其中值得留意的是全新的 Decisions API：它只回答預先設定的問題，並附上信心程度，設計思路與前 OpenAI 研究員 Diogo Almeida 創立的 TypeSafe Jev 模型相似。

二、模型能力更強，價格卻僅有一半

• Anthropic 發布 Claude Opus 5.5，官方表示其表現不僅超越前代，也勝過更高階的 Fable 5.1，價格卻降低 40%。同時推出的中階模型 Claude Sonnet 5.5，運作速度提升 30%，在知識型工作與程式開發任務上的表現大幅進步，價格僅為 Opus 的一半。
• OpenAI 隨即推出 GPT-6 Sol 與 Luna 作為回應，價格僅為被取代版本的一半。兩家公司接連降價，意味著前沿模型的價格戰已正式開打。這也意味著，隨著前沿能力的單位成本持續下滑，企業導入 AI 的主要阻力，正從預算轉向流程設計與治理能力。
• 另一個值得注意的動向來自 Google。Google 發布最新前沿模型 Gemini 4 Argon，根據其內部測試，該模型在 19 項基準測試（用來比較模型能力的標準化考題）中，有 13 項超越 GPT-6 Astra 與 Claude Opus 5.5。不過，Argon 目前僅開放給少數經嚴格篩選的資安團隊，是否真能讓 Google 重回領先地位，仍有待更多外部驗證。

三、AI 越來越像人，監管如何跟上

• AI 新創 Tavus 展示了「人類互動模型」Griffin，能生成擬真的虛擬形象，在即時視訊通話中聆聽、觀察、對話並做出反應。該公司表示，在視訊通話測試中，近一半的使用者誤以為對方是真人。這樣的擬真程度令人驚嘆，卻也意味著詐騙手法可能隨之升級。
• 制度面上，OpenAI、Google、Anthropic、Meta、Nvidia 與 xAI 簽署白宮發起的自願性「超級智慧協議」（Superintelligence Accord），承諾建立內部控管，並由外部單位獨立評估其安全措施。
• 技術面上，NVIDIA 推出 Open Agent Safety Platform，以 OpenShell 管理沙箱（隔離執行環境）與權限，再由 Sentry 搭配 BlueField DPU（資料處理器）從代理無法干預的獨立層監控異常行為。NVIDIA 強調，AI 代理可以自主行動，但不能擁有自己的 root 權限（系統最高控制權）。
• 值得注意的是，微軟 AI (MAI) 發布了一份《行為準則》草案，正式介入 AI 安全的討論。這份長達 38 頁的規則手冊旨在規範其內部模型，其核心理念基於 Mustafa Suleyman 提出的「人本主義 AI」願景，即確保模型始終處於人類的掌控之下，拒絕承認 AI 擁有權利、法律主體資格或所謂的「福祉」概念，並要求其模型徹底避免模仿情感或自我意識；這被外界解讀為 Anthropic探討模型福祉與意識可能性的回應。

四、學術前瞻

• Amazon 發表的論文《AutoGym: Blueprint-First Generation of Verifiable Agent Gyms》，提出一套能自動產生、驗證與調控強化學習代理訓練環境的框架 AutoGym，目標是解決人工建構評估資源成本高昂、且容易飽和的問題。
  其核心是「藍圖優先」：在環境實例化之前，先定義好解題空間、驗證標準與可解性，確保產出的任務具備準確性與可驗證性。框架透過明確的生成參數控制任務拓樸、推理深度與干擾項目，實現精細的難度調節；並以主動課程合成（Active Curriculum Synthesis）機制，根據模型表現動態調整參數。
• 華盛頓大學、Meta、MIT 等機構發表《Context Language Models》，提出讓語言模型自主管理上下文的新方法 CLMs。
  傳統模型仰賴外部控制工具，CLMs 則將上下文視為檔案，賦予模型讀寫權限，可即時更新、刪除或壓縮資訊，並能自然延伸至多代理系統。為因應上下文的修改，團隊同時開發了「後綴快取重用」技術，顯著降低伺服器運算負擔。實驗顯示，該方法在多項長文本基準測試中，能以更低的運算成本取得更高的準確度。
• 德州大學達拉斯分校發表《Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents》，提出一種代理記憶架構 Jev-Mem，針對長期 AI 任務中傳統方法面臨的運算負擔與延遲問題。

該系統借鑑人類認知的雙通道理論，將記憶控制拆成兩部分：以 Jev 為核心的快速 System-One 控制平面，以及負責複雜推理的 System-Two 模組。透過輕量的機率決策處理記憶建構、查詢路由與圖譜遍歷，大幅減少對大型語言模型逐字生成的依賴。實驗結果顯示，該架構不僅提升各項基準測試的回答準確率，也顯著縮短記憶建構時間與查詢延遲。

結論

當代理全天候運作、價格低到可以大量部署，人類審核每一個動作已不再可行。若監督只能交給另一套系統，例如硬體監控、外部監管、信心分數，那麼企業真正需要設計的，或許不是「讓 AI 做什麼」，而是「在什麼情況下，AI 必須停下來請人判斷」。這條界線，由誰來畫？誰說的算數？

AI 走進校園，除了協助教師備課，另一個被寄予厚望的領域是行政事務協助。近年校園行政人力吃緊，老師不願兼任行政，有學校甚至得靠抽籤決定組長人選。面對龐大的行政負擔，AI 被期待能為校務減量，但真正卡住行政端的並非技術本身，而是系統整合、帳號門檻、個資顧慮、採購法規與人力結構等一連串制度問題。

因此在人工智慧科技基金會（AIF）舉辦的專家會議中，第一線教師、教育行政人員與學界專家都提醒，必須從整體系統與架構的整合著手，若政府只寄望老師自己學會用工具，而不從制度面整合與配置資源，AI 恐怕只是在既有的行政泥沼上，再多添一套系統。

使用 AI 之前，先得跨過帳號付費關卡

與會專家指出，生成式 AI 已開始應用於公文草擬、會議紀錄與宣傳海報製作，但行政人員對工具的熟悉度不一，使用程度落差很大，且多數仍停留在免費帳號。有些縣市已為全體教育人員與學生購買統一網域的雲端帳號，從局處、學校到學生，都能以同一組帳號單一登入各式 AI 與應用平台。但許多縣市仍由各校自行申請，沒有付費帳號的學校，連使用 AI 的第一道門檻都跨不過。

即使跨過帳號門檻，學校在軟體上仍幾乎沒有資源，高職的實習課程與行政端都有強烈的使用需求，問題卡在法規。現行經費只允許一次買斷設備，報帳時沒有訂閱制、年租制的科目，在現行預算框架下很難找到能夠合法報支的會計項目。與會者直言，軟體即服務（SaaS）的訂閱模式在業界早已普及，甚至逐漸被新的服務型態取代，學校卻受限於舊的預算編列方式與政府採購法，至今仍無法採用。

過去縮減數位落差的經驗也值得借鏡。與會專家提醒，過去在教育現場推動數位化時，資源一度集中在硬體採購；面對 AI，若仍沿用同樣思維，恐難回應第一線需求，也不會產生真實的效用。就像這兩年談到數位公共建設，多數人想到的仍是算力中心、資料中心與租稅優惠，但第一線真正需要的，很可能是降低軟體使用門檻。

工具要與系統整合，個資疑慮將限縮使用範圍

工具買到了，不代表就會有人用。與會專家提醒，AI 能否與現有資訊系統整合、操作是否順暢，才是行政人員會不會持續使用的關鍵；若每次都得在不同系統之間來回複製貼上，使用意願勢必大打折扣。

個資顧慮則進一步限縮了 AI 的使用範圍。目前學校多半只將 AI 用於公文草稿、會議紀錄、海報設計等不涉及學生個資的工作；且對機密格外敏感的機構，若不是地端或封閉型系統，甚至不敢用 AI 草擬公文。因此與會者建議，校園行政需要一套自動化的核心系統，並透過教育部單一簽入（OIDC）機制提供使用。

但單一簽入本身就是一項浩大工程。教育部光是整合 22 縣市各自建置的系統，就花了很長時間。與會者也提醒，登入打通只是第一步，後端系統若沒有同步整理，仍是白費功夫。要導入 AI，勢必得先把底層系統打通，這一步省不了。

缺人、缺經費，更缺長遠規劃

系統要整合，最終仍得靠人，而這正是校園最缺的資源。在偏鄉，行政人員多由老師兼任，任何新系統導入都意味著工作量增加。除了建置系統，每年的維護經費更是一大問題。偏鄉學校的資訊組長也常由沒有資訊背景的老師兼任，偏遠學校的設備標案甚至沒有廠商投標，只能由縣市統一採購，以都會區的大量訂單換取廠商願意服務偏鄉。

制度設計的斷裂讓問題雪上加霜。校務行政系統若國小、國中、高中各做一套，規格無法統一，遇到問題時連向鄰校請教都沒辦法。部分縣市的數位學習辦公室與教育網路中心各自獨立，「硬體做硬體、軟體做軟體」，缺乏橫向溝通。教育局處也高度仰賴從學校借調的技術教師，一旦人員來去、政策又隨政黨輪替而變動，新人便難以掌握前人的脈絡。歸根究柢，關鍵仍在於中央與地方政府有沒有一套長遠且系統性的規劃。

而影響最大的則是根深柢固的 KPI，但 KPI 是否真的與原本設定的目標對齊，卻很少有人關注。例如已經推動多年的「生生用平板」，因為各種配套沒有到位加上考試壓力的影響，使用率並不高。在議會質詢的壓力下，許多學校只好每個月定期將平板全部拿出來、全部開機，以達成 KPI 的要求。表面上 KPI 達到了，但學生真正學到了什麼？達到「生生用平板」政策的初衷嗎？

這些問題環環相扣，而第一線的困境每天都在發生，若不及時回應，只會像滾雪球般越來越嚴重。與會專家建議，AI 帶來的問題是系統性的，處理方式也必須是系統性的，應先建立整體框架，再決定資源如何配置，並透過試點加以驗證。

隨著企業對 AI 的需求爆發，台灣新世代 AI 算力服務商康斯特（KONST）於 10 月 8 日宣布完成 3,000 萬美元 B 輪股權融資，將用於擴大亞洲區 AI 資料中心建置，並加速推進「Token Factory」布局。這家創立不到三年、從加密貨幣礦場起家的團隊，因應AI的快速發展，在快速調整商業模式。首先是將One KONST服務拆分為三個獨立品牌，串起從底層硬體到應用落地的完整布局，其次則在創立第二年就避開本土紅海，將主力轉向海外市場。

KONST 康斯特科技共同創辦人暨未來智慧（Horizon AI)執行長蘇彥哲（Darren）表示，他們從不求在產業中獨大，而是專注釐清客戶真正的需求，再把能解決問題的人整合在一起，為客戶提供服務。

從重資產機房、算力調度到 Token 的生態拼圖

KONST 的核心團隊早期經營礦場。礦場同樣以 GPU 為核心，雖然規格與 AI 資料中心不同，但團隊對這個產業並不陌生，也因為長期採購，很早就與一線伺服器等硬體廠商建立穩固的供貨關係。更重要的是，兩者的商業模式相仿：先投入運算設備、以每月收益回收，再向投資人談建置規模，甚至與儲能、太陽能售電的溝通語言高度重疊。團隊先改建一座測試機房，經過市場驗證後，才在 2023 年中正式轉型。

既有的人脈與商業敏銳度，也讓他們在起步的三到六個月內便敲定初期戰略與合作夥伴；不少投過礦場的夥伴也看好算力，初期好幾位客人正是舊識。依照業務與客群，逐步發展出三個各自獨立、又彼此協作的品牌：康斯特、Glows.ai 與未來智慧，共同構成 One KONST 生態系。

為什麼要拆分得如此明確？蘇彥哲指出，關鍵在於三者的客群定位、技術門檻與行銷語言存在巨大落差。康斯特主要負責算力基礎設施的建置與維運，角色近似營造商。投資型客戶多為地主、儲能及太陽能領域的早期投入者，以及看重投資報酬率的投資方，他們評估回報後出資，再委託康斯特建置與維運。

海外則有另一種需求。蘇彥哲表示，許多大型跨國傳產集團並非著眼於投資報酬，而是面臨跨國據點之間的經驗傳承與語言隔閡。為了讓工安應變、設備維修等老師傅的經驗不致斷層，這類企業希望整合內部數十年的文件資料，打造支援多語系、跨國機房聯動的企業專屬 GPT。這類客戶多半是長期配合的大型企業，也有中小型的跨國傳產，共通點是都已具備一定的資本實力。

Glows.ai 則是專為 AI 開發者打造的雲平台，主要用來協助客戶解決算力門檻的問題。蘇彥哲指出，無論是個人開發者、尚在評估導入效益的企業部門，或是剛起步的 AI 應用開發商，自建機房與維運的成本都過於高昂。透過雲平台彈性調用 GPU 算力，這群技術用戶能以較低成本先跑通流程，未來再視規模決定自購或託管。這群重技術、講求敏捷的客群，在行銷語言上與康斯特截然不同。

將 Token 業務獨立出來的未來智慧，同樣是為了對齊不同的客群需求。「企業不會找機房營造商或雲平台做全面導入，他們各只負責一段，」蘇彥哲解釋，許多 Token 使用者並非技術專家，可能只是公司的採購，需要的是能統一管理帳號與金流的方案。未來智慧同時承接 AI 導入的整合工作，是串接底層算力與終端應用的整合中樞。

值得注意的是，團隊雖投資 Glows.ai，卻刻意不負責經營。蘇彥哲坦言，傳統思維多半傾向直接併購、拿下控制權，但 AI 各細分領域的專業落差極大，Glows.ai 涉及極為繁複的底層開發者架構，「技術環節太過複雜」。與其承擔龐大的底層研發負擔，不如把產品決策權完整留給原開發團隊，康斯特則專注於挹注資源與商業賦能。

錨定生態系底層，以中樞優勢掌握情報與媒合

蘇彥哲把團隊定位在生態系的最底層。在這樣的架構下，無論上層 AI 應用的發展好壞，或是算力與硬體價格如何波動，理論上都不會動搖團隊的營收成長。

這個位置也帶來兩項優勢。一是媒合：未來智慧身邊累積了 AI 客服、影像生成、量化交易、邊緣運算與推論加速等各類夥伴，其中許多同時是 Token 用戶、Glows.ai 的 GPU 用戶，或康斯特的資料中心建置客戶，面對客戶需求時，團隊能很快判斷該交給誰。二是情報：新模型的優劣、GPU 調度方式、機房散熱與用電的變化，任何一條支線都可能影響決策。「如果只專注在建置機房，就看不到市場需求正在往哪裡移動。」蘇彥哲說。

輕資產出海，尋找「甜蜜點」的單兵戰法

創立第二年，團隊便將主力全面轉向海外。一年之間，他們跑了十多場國際展會，從美國的 CES、GTC、GDC，到德國、法國、日本、韓國、越南與印尼峇里島，只要符合策略方向就去。

許多人以為出海必然伴隨高昂成本，但團隊摸索出一套講求「甜蜜點」的輕資產打法。以日本、韓國為例，他們不急著設辦公室或公司，而是先派一名 BD 在當地參加各種會議、摸索文化與商業邏輯，由台灣總部提供資源；需要接觸高層決策者時，再由總部主管親赴當地拜會，直到市場穩定後，才正式設立辦公室與公司。

其他市場則依成熟度調整投入。越南 AI 市場仍屬早期，團隊靠熟識夥伴合作，有案子再飛過去；新加坡則因為跨國企業總部與金融中心匯聚，華語商業圈也相當活躍，推進速度很快。康斯特已在當地設立公司，未來智慧也將彈性布局。

為上市鋪路，兩年拼出完整生態系，五年劍指「AI 電信商」時代

談到未來兩年的重心，蘇彥哲把「集團故事的完整性」放在首位。他直言，若業務僅停留在算力中心建置，價值很難被完整看見；唯有補齊終端導入與 Token 供應這後半段拼圖，整體生態系的價值才能真正被資本市場看見。

營收反而不是團隊焦慮的課題。蘇彥哲透露，外界常把 Token 當成小額採購，但實際需求遠超想像，甚至出現單一企業單月消耗量達數百萬美元的案例。像是未來智慧的 Token 產品自上線後，業績已超出原本規劃，目前 Token 已佔該公司八至九成的業務。因此，目前的關鍵目標是在海外市場插旗，並與產業夥伴建立長期穩固的合作，特別是各國電信業者。他強調，只要產品持續優化，業績自然會提升。

放眼五年後，蘇彥哲認為，負責硬體基礎建設的康斯特，角色仍是底層支柱，改變的只是服務形態。目前市場流行動輒上百台的巨型算力對接，未來若硬體更新或電力出現新解法，市場可能轉向大量分散式的小型需求。不過現行大型算力多採長期合作，技術變化影響的只是「下一座廠」的型態，事業根基依舊穩固。

至於負責軟體與中繼的未來智慧，則將走向「電信公司加顧問公司」的綜合體。蘇彥哲以電信帳單比喻：如同當年手機月租費從精打細算走向普及常態，未來 Token 也會隨著單價降至甜蜜點，成為每月數千元、涵蓋電腦、AI 眼鏡與智慧家電的日常支出，而顧問工作也將越來越流程化。屆時，消費者不需要理解背後複雜的技術邏輯。從重資產機房一路鋪到每個人日常生活的算力管線，這支從挖礦起家的團隊，正一步步走向自己定義的 AI 基礎設施新世代。

（2026.10.06/台北）隨著生成式 AI 為資訊生態系帶來全新的機遇，以及讀者接收資訊習慣的快速轉變，人工智慧科技基金會（AIF）與 Google 合作，宣布啟動 Google 台灣新聞AI實驗室計畫，以「深化媒體核心價值，拓展公共對話空間」為主軸，透過科技支援、新聞實驗專案，以及工具與轉型顧問服務，陪伴不同類型、不同規模的台灣媒體探索轉型之路。計畫即日起公開招募媒體夥伴，報名至10月27日止。

擁抱 AI 創新浪潮，以科技放大新聞專業價值

近年來，台灣媒體產業正面臨商業模式轉型與人力緊縮的雙重壓力；與此同時，生成式 AI 的崛起更徹底重塑了新聞產製流程。生成式 AI 的發展正為新聞產製流程帶來全新契機。人工智慧科技基金會指出，AI 工具能成為新聞室的得力助手，協助處理龐大的資料梳理與日常繁瑣庶務；當內容產製變得更加高效，媒體更應跳脫過往僅以「產量」與「點擊率」為導向的思維，將資源聚焦於建立深度讀者關係與可信賴的原創報導，進而促進多元且具建設性的公共討論。

「AI 時代的新聞媒體，該是什麼樣子？這是我們想和台灣媒體一起回答的問題。」人工智慧科技基金會執行長溫怡玲表示，「答案不在於單純追求產出速度，而是如何善用科技深化媒體的核心價值。在資訊豐沛的時代，新聞最珍貴的價值在於提供可信任、可追問、可究責的真實洞見。」

多元媒體是民主對話的基礎，關鍵在人

健全的民主社會需要一個讓不同意見能提出理由、彼此質疑、相互回應的對話空間，而多元的媒體正是撐起這個空間的力量。不同立場、不同規模、深入不同社群的新聞工作者，為社會守望、查證與解釋，並將最常缺席的聲音帶回公共對話。

「AI 能延伸新聞專業、為團隊賦能，而新聞工作者的專業判斷與在地關懷更是無可取代。」溫怡玲強調，真正守住媒體價值的，是願意堅持、也勇於嘗試的新聞工作者。因此這項計畫不提供單一的標準答案，而是希望與每一家媒體一起摸索適合自己的方向，讓科技成為新聞專業的工具，而不是取代判斷的機器。

以「與科技同行，開拓媒體轉型路」為號召，公開招募媒體夥伴

本計畫將提供專案參與夥伴系列 AI 課程、Google 工作與 AI 應用工具與轉型顧問服務。

• 官方網站：連結
• 招募對象：符合以下條件之媒體與個人
  • 設籍台灣、機構成立三年以上或第一篇作品發佈超過三年以上之機構或個人
  • 每月定期產出至少兩篇以上關於時事資訊之報導/評論/專題策展
• 計畫期程：2026.11~2028.03
• 報名方式：填寫報名連結
• 報名截止：即日起至2026.10.27
• 申請條件：
  • 需提交：新聞室應用 AI 現況問卷、應用 AI 至新聞產制流程之提案、組織同意書（個人不用）
  • 確保願意完成18個月的專案計畫，課程、輔導出席率至少8成

人工智慧科技基金會及Google誠摯邀請媒體夥伴與關心新聞未來的各界朋友加入，共同以科技深化媒體核心價值，守護台灣多元共榮的公共對話空間。

若您也想與我們一同探索新聞工作的新可能，歡迎報名參加線上說明會，進一步了解計畫內容。

當國外不少學者紛紛從政治哲學、人類學、溝通理論等不同角度，追問 AI 究竟扮演什麼角色、又將如何改變人類社會的此刻，台灣公共領域中的 AI 論述卻顯得出奇地整齊劃一。從媒體報導、政策規劃到產業論壇，討論多半圍繞著同一組問題打轉：如何培養產業競爭力、工作會不會被 AI 取代，以及最常被提起的「如何降本增效」。

這並不代表台灣沒有人提出不同的看法，而是這些看法鮮少進入公共討論的核心，也少有實質的對談或辯論，彷彿關於 AI 的未來發展，我們早已有了定見。但一個民主社會在面對如此重大的技術轉折時，論述若如此單一，未必代表成熟，反而可能是一種風險：當 AI 的公共討論窄化到只剩效率、競爭力與生存焦慮等少數面向，某些更根本的假設就可能在未經思索的狀況下，成為不被質疑的前提。而這些前提一旦有誤，影響的將不只是單一政策或單一產業，而是整個社會前進的方向。

2025年初，在由前教育部長、政治大學科技管理所教授吳思華等多位研究者共同參與的「人文講堂」中，政大傳播學院名譽教授鍾蔚文以「AI的尋人啟事」為題，指出這幾年台灣的 AI 發展存在著「無人」的假設。

所謂「無人」的假設，意指這幾年在討論產業 AI 化時，誰掌握發言權、誰會受影響、如何受影響，乃至「人的價值究竟是什麼」，這類不屬於技術應用與競爭力發展的問題，始終未曾進入媒體與社會關注的核心。值得注意的是，提出這項觀察的正是台灣的學者。

當前提取代了提問

「無人」的假設會產生哪些影響？不妨試著從哈伯瑪斯（Jürgen Habermas）的溝通行動理論，找出其中脈絡。

哈伯瑪斯將人與人之間的行動區分為兩種：一是策略行動，把對方當成達成目的的變數，重點在於自己的成功；二是溝通行動，試著透過尋求共同的理解，來協調彼此的行動。在他看來，後者才是語言最原初的用途，也是民主社會得以持續前行的關鍵。

但「共同的理解」能否成立，有其先備條件。說者提出的每一項主張，都隱含著三項有效性要求：陳述是否真實、是否正當、是否真誠；而聽者可以對每一項說「是」或「否」，也可以要求對方給出理由。換句話說，溝通之所以能形成共識，關鍵不在於主張本身完美無瑕，而在於它可以被提出來檢驗。一旦主張無法被質疑，溝通也就隨之失效。

溝通的失效，未必是沒有人說話或提出異議，也可能是關鍵的主張在被檢驗之前，就直接以「前提」的姿態存在。沒有人回應，甚至沒有人察覺需要思考，它就在媒體報導中被反覆陳述為理所當然的事實，進而成為政策規劃的起點。

這也可能是策略行動最不容易被察覺的形式。當以說服他人採用為目的的主張，被包裝成「大家都同意」的共識，策略行動便披上了溝通行動的外衣。

喪失充分溝通與選擇權的社會

這樣的「無人」論述，對民主社會至少可能產生兩種影響。

第一，前提一致，執行分散。不同的公部門在「導入 AI 就能提升效率」的共同前提下各自擬定政策、各自推動，卻少有機會回頭檢視：這個前提本身是否成立？各項政策加總起來，又會把社會帶往什麼方向？整個社會因此可能一路走向一條未經檢驗的路徑。

第二，責任隨之蒸發。既然這個前提從來不是由誰明確提出、也從未被要求給出理由，自然也就沒有人需要為它負責。即使某些決定對部分群體造成傷害，也難以究責，因為那些決定看起來是「大家的」共識。

這正是溝通風險之所在：牽動整個社會的技術與產業發展方向，可能在無人提問、也無人負責的情況下，就這樣定了下來。

一個社會如何談論 AI

目前許多關於「AI 與溝通」的討論，重點放在當我們的對話者變成一部會說話的機器，溝通會產生哪些改變。那是人與機器對話的問題，影響當然重大。但同樣需要追問的是：一個社會如何生產 AI 的論述？我們用什麼語言談 AI、預設了什麼、又漏掉了什麼？

台灣「無人」的 AI 論述，大致可以從三個面向觀察。

第一個面向，是論述幾乎只從生產與競爭的角度理解 AI。效率、成本、競爭力、產業轉型，這些字眼在台灣的 AI 論述中隨處可見，卻很少被定義，更少被質疑，彷彿 AI 理所當然就是為了提高產能、強化市場競爭力而存在。

這些未經檢驗的隱性假設，也就此成為「常識」。「導入 AI 就能提升效率」、「企業要積極用 AI 解決問題才有競爭力」、「學 AI 才不會被淘汰」，並未被當成需要驗證的假設，而是作為共通的前提，在公共領域中不斷被傳播。

一旦升格為前提，就彷彿被認定為真，也因此獲得免於被檢驗的特權。問題不再是「這是真的嗎？」，而只剩「我們怎麼做到？」

被擠到邊緣的「以人為本」

第二個面向，是人文關懷被擠到了邊緣。與效率前提相伴而來的，是技術與市場理所當然地成為討論重點。當然有人談倫理、談社會影響、談人文，只是這些討論多半發生在技術可行性與市場應用確定之後，扮演補充說明的角色。

也就是說，面對 AI 帶來的擠壓與挑戰，人文論述往往只剩下「以人為本」、「負責任的 AI」、「人在迴路」（human in the loop）等口號。這些口號的實質內容是什麼、要怎麼做、是否真正達成，卻少見深入的討論。

誰的前提變成了預設？

第三個面向，則要追問：到底是誰的前提，成了社會的預設？社會學家布赫迪厄（Pierre Bourdieu, 1982）提醒我們，每一次語言交換同時也是一種力量關係，而發言權的分配，和資本一樣並不均等；能讓自己的說法成為「前提」的，往往是已經握有話語權與資源分配權力的人。

回到台灣現場，AI 論述主要由幾個群體生產：科技大廠、政府部門、法人與智庫，以及媒體。這些群體的論述，決定了我們認為 AI「應該解決什麼問題」，也決定了哪些前提會被視為不需檢驗的預設。
但那些最可能受到 AI 影響的群體，例如為數眾多的中小企業、照護與服務業從業者、非技術工作者、資源相對匱乏的社群，卻往往最少有機會發言。

被忽略的風險

論述窄化的代價，並不只是理論上的思辨。更值得警惕的是，那些被效率論述忽略的議題，恰恰可能是國際專家眼中最嚴重的風險。

2026年6月，麻省理工學院未來科技實驗室（MIT FutureTech）與昆士蘭大學（University of Queensland）共同發布《人工智慧風險優先排序》研究報告，以德菲法（Delphi method，讓專家進行多輪匿名評估、逐步收斂意見的研究方法）調查272位國際 AI 專家，評估24項 AI 風險。結果顯示，在維持現狀的情境下，有18項風險被專家評估為在2030年前至少有10％的機率造成「災難性後果」，也就是導致逾100萬人死亡、逾1,000億美元經濟損失，或對民主規範等造成同等規模的文明性損害。

即使在採取務實緩解措施的情境下，仍有5項風險的機率高於10％，「權力集中化」（power centralization）就是其中之一。它指的是 AI 帶來的權力與資源，高度集中在少數擁有強大 AI 系統的組織手中，例如大型科技公司，導致利益分配極度不均。報告形容這或許是最頑固的一項風險：開發 AI 的一方，恰好也最有能力獨占其利益，形成自我強化的循環，僅靠技術手段恐怕難以扭轉。
這正是台灣以效率與競爭力為主軸的 AI 論述中，幾乎不曾出現的問題。當公共討論只問「如何導入」，便很少有人問「導入之後，利益流向誰」。

另外兩項風險則直接與溝通有關。其一是「錯誤資訊」：AI 可能無意間生成，或被惡意用來散播錯誤或欺騙性內容，使使用者形成錯誤的信念。其二是報告另列一項的「資訊生態污染與共識現實的喪失」（loss of consensus reality）：高度個人化的 AI 生成內容可能製造「過濾泡泡」，也就是我們慣稱的「同溫層」，讓人們只接觸符合既有信念的資訊。

這兩項風險談的是 AI 做為「說話者」如何影響溝通，與本文所談的社會論述可能彼此加乘：一個社會的 AI 論述若本已窄化，AI 生成內容所製造的同溫層，只會讓不同的聲音更難被聽見，讓未經檢驗的前提更加穩固。

從公共領域到更多元的發言場域

那麼，只能坐看 AI 沿著如此單一且充滿風險的路徑持續發展下去嗎？哈伯瑪斯提出的「公共領域」，或許是尋找出路的起點：依然相信理性溝通的必要與可能，藉由更多的對話與調整，找回數位時代中公共領域之所在，讓人們有機會接近事實、獨立思辨。

但這樣可能還不夠。政治哲學家弗雷澤（Nancy Fraser, 1990）曾指出，哈伯瑪斯所描繪的公共領域，實際上排除了許多弱勢群體的聲音；她主張，受排除的群體需要屬於自己的「弱勢反公眾」（subaltern counterpublics），在其中發展並流通自己的論述，再回到更大的公共領域，與主流觀點對話。放回台灣的 AI 論述，這意味著除了邀請更多人「參與討論」，更要讓中小企業、照護工作者、非技術工作者等群體，有機會以自己的語言、從自己的處境，提出他們關於 AI 的觀察與想法。

無可否認，這樣的想法可能過於樂觀，甚至有些天真。但面對未知的將來，我們似乎並沒有悲觀的權利。

參考文獻

• Bourdieu, P. (1982). Ce que parler veut dire: L'économie des échanges linguistiques. Fayard.
• Fraser, N. (1990). Rethinking the public sphere: A contribution to the critique of actually existing democracy. Social Text, 25/26, 56–80.
• Habermas, J. (1984). The Theory of Communicative Action, Vol. 1: Reason and the Rationalization of Society (T. McCarthy, Trans.). Beacon Press.
• Habermas, J. (1987). The Theory of Communicative Action, Vol. 2: Lifeworld and System (T. McCarthy, Trans.). Beacon Press.
• MIT FutureTech & University of Queensland. (2026). Prioritization of risks from artificial intelligence: A Delphi study of 272 international experts. arXiv:2606.04490.

本文初稿刊登於匯流研究電子報第二十五期，經作者更新改寫。

演算法與生成式 AI 正重塑資訊的流向。在營收與人力的雙重焦慮下，台灣媒體疲於追逐流量與速度，卻逐漸偏離守護公共對話與信任的初衷。現任人工智慧科技基金會專案經理的謝汶均，曾參與 JournalismAI Skills Lab，在幾乎零程式基礎下，運用 AI 打造出監測中國熱搜的新聞工具。這次實戰讓她看清，工具能擴張記者的能力，但選題是否敏銳、能否看清工具的局限，依然取決於記者的專業判斷。

如今從實踐者轉為推動者，她深信，AI 時代的突圍之道從來不是追得更快，而是讓科技成為專業的延伸，由人守住新聞的核心價值。

從工作痛點出發，零程式基礎打造監測工具

參加計畫時，謝汶均擔任加拿大廣播公司（CBC）在台駐地製作人，主要協助資深亞洲特派記者報導台灣與中國新聞。她坦言，遠距報導中國，最棘手的莫過於青年失業、常民生活等軟性議題。因為這類故事通常需要記者身處當地、走入人群聊天，才能捕捉第一手氛圍。然而，團隊當時並無派駐中國的條件，缺乏現場感的具體痛點，成了她跨入工具開發的起點。

其實在加入計畫前，她曾嘗試數款標榜免寫程式的爬蟲工具，試圖抓取小紅書資料，卻礙於技術限制，加上身邊缺乏同儕討論與專業指引，幾度碰壁後只能作罷。直到入選由倫敦政經學院（LSE）新聞智庫 Polis 主辦、Google 新聞倡議支持的 JournalismAI Skills Lab，她才有機會重新挑戰。當年她從四百多名申請者中脫穎而出，是台灣僅有的兩名入選者之一。

重啟計畫後，她繞開小紅書嚴密的反爬蟲限制，轉向百度的免費 API，打造出中國輿情監測工具「What’s Trending in China」。系統每天早、午、晚三次自動抓取百度熱搜榜，存進資料庫並譯成英文；前端介面則由她以 AI 開發工具 Lovable 透過「vibe coding」完成。團隊只要打開網頁，便能一眼掌握中國社群的討論焦點，為跨境選題提供即時的靈感起點。

陪伴與同儕激勵，讓專案更容易成功

除了學員間的相互刺激，一對一的導師諮詢是推著她前進的重要推手。謝汶均坦言，有了專家可隨時請益，這才逼著自己全心投入。過去她可能得耗費數日摸索的技術盲點，導師往往兩、三分鐘便能點破癥結，不至於讓人在同一個關卡耗盡耐心與熱情。與此同時，身邊許多學員同樣沒有理工背景，看著大家每週都有新進度，也激起了她「不能落後太多」的好勝心。

謝汶均提到，在整個計畫中，讓她收穫最多的是一堂「拆解新聞 AI 專案產製過程」的實務課。講師帶領學員逆向剖析多個業界知名的 AI 新聞專案，一層層揭開背後的運作邏輯與技術架構。那時她才發現，這些專案外表看似厲害，技術層面其實沒有想像中複雜。這也才消除了她對技術的敬畏與恐懼，更讓她確信：只要方向對了，自己同樣能辦得到。

「現在任何人都能透過 vibe coding，在 AI 協助下開發專案，技術已經不是門檻。」她認為，真正的關鍵是卡關時有人引導、有同儕一起討論。這些支持系統對一個 AI 專案能否走下去、成為真正落地的工具的影響非常大。

當 AI 會寫程式，專業判斷仍是人的工作

謝汶均估計，自己開發的工具約有九成到九成五的程式碼是由 AI 生成，但她強調，基礎能力依然不可或缺。開課前，講師要求沒有 Python 背景的學員先完成 Google 的 Python 線上課程；這段自學當時令她吃足苦頭，卻在實作時派上大用場。因為有 Python 的基礎，才能看得懂錯誤訊息，才能知道問題出在哪裡、該如何修正。

這套工具也改變了她的選題方式。過去尋找中國軟性題材，她多半仰賴外媒的中國報導，但那些內容早已經過其他媒體篩選，呈現的中國並不完整。如今她能直接看見一般網友關心什麼，把原本難以觸及的日常聲音帶進報導。

但她也清楚工具的邊界，因為能登上百度熱搜的內容本身已經過審查，無法用來追蹤敏感議題。哪些訊號值得追、哪些需要存疑，仍得仰賴記者判斷。謝汶均認為，這正是 AI 時代新聞專業的核心，機器能擴大視野，但是查證與判斷始終屬於人。

開發新工具，懂技術的記者一起參與更有優勢

謝汶均認為，相較於直接找工程師或外包，懂一點技術的記者更有優勢，因為記者最了解新聞工作的實際痛點。他們在構思 AI 能用在哪些產製流程時，比較能提出可行的想法，知道哪種技術能解決哪種需求，也清楚技術的邊界在哪裡。「記者懂一點技術，和工程師討論時就有共同語言，雙方對專案的想像更容易對齊，成品也更能真正派上用場。」

從參與者到陪伴者：與科技同行的媒體轉型

如今，謝汶均在人工智慧科技基金會擔任專案經理，將自己走過的路，化為陪伴其他新聞人的力量。基金會預計於今年透過科技支援、新聞實驗專案，以及工具與轉型顧問服務，協助不同類型、不同規模的媒體探索新的可能。專案重點不在於提供單一的標準答案，而是與每一家媒體一起摸索適合自己的方向，讓科技成為延伸新聞專業的工具，而非取代判斷的機器。

「人」才是科技轉型核心。謝汶均建議，新聞機構派員參與培訓時不必拘泥年資，只要對新技術有興趣都適合：資深同仁熟悉產製流程，能打造真正融入工作的專案；年輕同仁勇於嘗試，可輕易跳脫固有框架，兩者搭配效果更好。這些人回到崗位後，便能成為新聞室裡的「AI 種子人才」；只要組織給予時間與空間，從內部分享與小規模試行做起，整個新聞室的 AI 探索就能走得更遠。

她提醒，AI 導入走得快的企業，都已在盤點各部門資料、建立 AI 治理機制；現在讓同仁累積實作經驗，就是在為組織的未來做準備。而台灣媒體的數位轉型不應只是導入新工具，而是讓第一線新聞人有機會親自動手，從自己的需求出發，找出 AI 真正幫得上忙的地方。

上篇談到，愈來愈多研究顯示，用錯AI的代價不會出現在使用當下。使用AI練習數學的高中生，撤除AI後考試成績反而比從未使用的同學低17%；資深醫師在導入AI輔助後，沒有AI時的偵測率也出現下滑。這些研究同時提醒，問題不在AI本身，而在用法。

那麼，台灣的教育現場準備好了嗎？

願景寫在文件，真正考驗在執行

教育部自111年起連續四年投入200億元推動「生生用平板」，配發約61萬台學習載具。今年5月，教育部再提出「AI人才方舟計畫」，預計四年投入117.55億元，研發AI家教、AI助教等學習系統，讓AI真正進入教學現場。教育部長鄭英耀也表示，教育不只是教孩子會用AI，更要重新思考未來需要什麼樣的人才。

值得肯定的是，今年3月公布的《臺灣中小學教師與學生AI素養框架》，已經看見框架強調學生在與AI協作時，要保有學習方向與知識判斷的主導權，並在善用AI與避免「認知外包」之間取得平衡。
願景已經寫在文件上，但如同過去所有的政策一樣，接下來的考驗，在於教學與評量的實際執行方法，是否能和願景對齊。

看得到開機率，看不到學習

回到上篇爬樓梯的比喻。要知道腿力有沒有進步，可能會測驗爬到某個樓層需要多少時間，這個時間就是KPI（關鍵績效指標，也就是用來衡量目標是否達成的數字）。KPI原本只是觀察腿力的工具之一，但執行時很容易被誤認為目的本身。測驗只記錄抵達時間，沒有規定怎麼上樓，於是為了準時抵達，有人選擇搭電梯。表面上看來，大家都在時限內抵達了，但是卻沒有將腿力練出來。這個現象常被稱為「古德哈特定律」：當衡量指標本身變成追求的目標，就不再能準確反映真正想衡量的事。

中小學的平板電腦使用率，正是這個現象的縮影。2024年就有媒體報導，審計部發現六都之一有1000多台平板超過三個月未開機，於是教育局隨後將使用率列為軟體採購與載具調度的指標。接著毫不令人意外的，部分學校的使用率在幾個月內暴增三倍，甚至有老師反應，學校會要求老師讓每台平板開機跑一下，於是負責管理的老師就增加了「幫平板開機」的固定工作。使用率原本是為了了解平板有沒有被用在教學上，一旦成為考核指標，追求的就變成開機時數，而不是學生學到了什麼。

比較令人憂心的是，AI家教也可能落入同樣的陷阱。如果評量只看作業完成率或練習成績，直接給答案的AI家教會讓數字最好看，就像電梯讓每個人都準時抵達。

在上篇提到的Bastani研究中，另一組學生使用的AI家教被設定為只給提示、不給答案，比較像樓梯旁的扶手：學生爬累了可以扶一把，但每一步仍要自己走。這組學生練習時的成績比未使用AI的同學高出127％，撤除AI後的考試成績則與這些同學沒有顯著差異，並未出現退步。

要分辨眼前的是扶手還是電梯，方法其實不難，但必須先理解並重視教學現場的流程、教師能力及使用意願，以及教材教案的重新設計，這才是真正讓AI能協助學習的當務之急。

拿掉AI後，是否比原來更強？

回到一開始的討論，用錯AI，比不用更糟糕嗎？從現有研究來看，答案初步是肯定的，但「用錯」二字究竟是什麼意思？上篇提到的研究有一個共同的設計，測量的都是沒有AI協助時的能力。無法引述自己文章的寫作者、撤除AI後考試退步的高中生、沒有AI時偵測率下滑的醫師，代價都是在這個時刻才顯露出來。也就是說，用錯AI的傷害不會出現在使用當下，而是出現在需要獨自判斷的時候。

對教育現場來說，首先是在評量中保留不靠AI的環節，讓「學到了什麼」與「用了多少」同樣被看見。其次，方舟計畫即將研發的AI家教，值得在設計階段就確認它是給提示還是給答案，因為研究顯示，這個選擇可能決定學生是進步還是退步。這個道理並不限於校園，醫師與工程師的案例同樣提醒企業，導入AI提升效率的同時，也需要為員工保留自己判斷的練習機會。

AI可以讓人更快抵達，但能否讓人走得更穩、更遠，取決人類想讓AI扮演什麼樣的角色？在導入之前、在還沒有決定技術規格時就必須想清楚，AI到底是幫助人才增加能力的扶手，或者只是快速達成KPI的電梯？