當 Fable 一夜被關掉：台灣如何留下主權 AI 的選擇權

2026 年 6 月 12 日，美國商務部發函要求 Anthropic 在取得出口許可以前，不得讓任何外國人使用 Mythos 5 與 Fable 5。Anthropic 無法即時辨識使用者國籍，只能把兩個模型對全世界停用。台灣的使用者跟其他所有國家一樣，一夜之間失去存取。

當 Fable 一夜被關掉，台灣如何留下主權 AI 的選擇權

OpenAI 接著遇到同一件事。GPT-5.6 系列 (Sol、Terra、Luna) 在美國政府要求下延後公開發布，先只開放給一小群經過審查的夥伴。Anthropic 的管制在 6 月 30 日解除，OpenAI 後來也拿到放行，但源頭是 6 月 2 日的行政命令：美國建立了前沿模型發布前的政府審查機制。這套審查會重複發生。下一次模型能力更強、審查更嚴的時候，名單怎麼劃，台灣沒有位置參與決定。

幾乎同時，中國模型把另一件事變成現實：開放權重模型站上了前沿。GLM-5.2 在 Semgrep 的越權存取 (IDOR) 弱點偵測測試中得到高於 Claude Code 的結果。單一測試不能決定全面勝負，但足以說明開放權重模型已經能承接真實工作。

Moonshot AI 在 7 月 16 日發布 Kimi K3。它的總參數量為 2.8 兆，每個 token 啟用 896 個專家模組中的 16 個，支援原生影像與影片輸入，以及 100 萬 tokens 上下文。官方承諾 7 月 27 日釋出完整權重；輸出定價每百萬 tokens 15 美元，遠低於美國閉源旗艦。Qwen 也在 7 月 19 日預告 2.4 兆參數的 Qwen3.8，承諾之後開放權重。截至 7 月 21 日，Kimi K3 與 Qwen3.8 的正式權重、模型卡與授權都還沒有出現，但方向清楚：目前能力最強的開放權重模型幾乎都來自中國，而且更便宜。

台灣夾在中間。美國模型能力最強、價值觀較接近，但不提供權重，連 API 都可能因為華盛頓的一紙公文中斷。中國模型把權重放上 Hugging Face，任何人都能下載，卻在訓練與對齊階段帶著另一套看待台灣的方式。在這兩個前提下，台灣的主權 AI 只剩下一個問題：怎麼替自己留下選擇。

語料庫開張了，但只有 14.6 億 tokens

數位發展部長林宜敬最近公布一個數字：「臺灣主權 AI 訓練語料庫」目前只有 14.6 億個 tokens，而且多數來自政府法規、研究報告與宣傳資料。

他對主權 AI 的定義是：重要模型要能在台灣境內運作，受到台灣法律監管；模型也要熟悉台灣的語言、社會與歷史，理解自由、民主、法治的價值。

林宜敬用國軍與共軍、玉山與珠穆朗瑪峰、媒體監督與政府宣傳等問題，說明訓練資料會怎麼改變模型看待台灣的方式。他也提到 AIEC 的測試發現，部分美國模型因為使用大量中國簡體中文語料訓練，在這些問題上答出中國的答案。

數發部在 2025 年 12 月正式發布 Beta 版「臺灣主權 AI 訓練語料庫」，協同超過 200 個政府機關，整理文化藝術、語言詞彙、歷史文物、在地文化、教育、觀光與防災等資料。數發部也與智慧財產局推出專用授權條款，讓政府與民間內容可以在權利關係清楚的情況下用於模型訓練。

台灣的優質內容分散在政府、媒體、出版社、學校、研究機構和個別作者手上。逐一談授權的成本太高，模型團隊很容易轉向取得方便的簡體中文網路資料。公共語料庫可以降低交易成本，也讓權利人知道資料會怎麼被使用。

AI 產品與系統評測中心 (AIEC) 則從 2025 年 10 月起，每月以「台灣價值觀」、「高中學測國文」與「高中學測社會」三項指標公布國內外語言模型的基準評測，檢查模型對繁體中文、台灣知識和社會文化的理解；最新一輪是 2026 年 7 月 2 日公布的 6 月評測結果，累計已測試超過 130 個模型。

雖然方向正確，但規模差距很大。把幾個模型實際使用的訓練資料量放在一起看：

臺灣主權 AI 訓練語料庫：14.6 億 tokens。
TAIDE 的 Gemma-3-TAIDE-12b-Chat-2602：220 億 tokens 繁體中文資料，用於持續預訓練與中期訓練。
AI Singapore 的 Qwen-SEA-LION v4 32B：約 1,000 億 tokens 持續預訓練。
AI Singapore 的 Gemma-SEA-LION v4 27B：從超過 1 兆 tokens 的候選池取樣約 5,000 億 tokens 持續預訓練。

光靠政府自己的資料，連支撐一次像樣的持續預訓練都很勉強，更不用說從隨機權重開始訓練。因此林宜敬部長公開向出版社、作者與內容產業徵集語料，包括書籍簡介、試閱內容與公版書。

SEA-LION 怎麼做：底座一直換，能力留下來

SEA-LION 是新加坡國家 AI 計畫 AI Singapore 推出的開放權重模型家族，以公共經費訓練，目標是讓模型理解東南亞的語言與文化。它已經換過好幾代底座、資料與訓練方法；這個持續更換的過程，值得台灣參考。

三個可替換的模型底座使用相同資料，接受同一套評測儀表比較

Gemma-SEA-LION v4 27B 以 Gemma 3 為底座，從超過 1 兆 tokens 的候選池取樣約 5,000 億 tokens 做持續預訓練。這批資料有 40% 英文、10% 程式碼、9% 中文，其餘包含多種東南亞語言。區域語料只佔一部分，重點是把通用能力與在地能力放在同一份資料配比裡調整。

同一代的 Qwen-SEA-LION v4 32B 走了另一條路。它從 Qwen3-32B 出發，使用約 1,000 億 tokens 持續預訓練，再以約 800 萬筆開放與合成問答資料後訓練。

最新的 Qwen-SEA-LION v4.5 27B 又換了一次方法。AI Singapore 沒有重新投入數千億 tokens，而是從 Qwen3.6-27B 出發，使用 Qwen3.5-397B-A17B 當教師，在 SEA-Instruct-2602 上做 logit 蒸餾（用教師模型的輸出機率訓練學生模型）與模型合併 (model merging)。公開的 SEA-Instruct-2602 約有 720 萬筆資料；模型卡沒有公布實際使用的筆數與 token 數。

在 2026 年 7 月 10 日的 SEA-HELM 上，原始 Qwen3.6-27B 的東南亞綜合分數是 67.25，SEA-LION v4.5 提高到 72.69。但沒有經過 SEA-LION 訓練的 Gemma 4 31B 得到 75.16，仍然更高。要跟商業大公司的模型競爭很困難，但新加坡多了一個自己能掌握的選項。

新加坡真正留下來的，是語料、團隊、訓練流程、量化版本、公開權重與 SEA-HELM 評測。底座從 Gemma 換到 Qwen，訓練方式從持續預訓練換成大型教師蒸餾，國家累積的能力沒有跟著某個模型檢查點 (checkpoint) 一起過期。

資料、價值觀與能力，是三種不同的主權

我的大學學長 Nathan Chiu 最近寫了兩篇文章，把這個選擇的難度講得更完整。

在第一篇分析 Kimi K3 的文章裡，他提醒 K3 開放的是權重 (open weight)，不是原始碼與完整訓練方法 (open source)：使用者可以下載、部署、微調，卻無法重現訓練，也無法完整審計它學了什麼。他替台灣列出幾條面對中國模型的路：明文劃線禁用、學美國做供應鏈認證、維持灰色地帶，以及他認為比較積極的一條：「拿它當養分，不當地基。」權重釋出之後，可以用來產生繁體中文訓練資料、擔任蒸餾教師與能力基準線，但自己的模型底子採用其他來源。

產業已經在把中國開放模型當成可取用的上游資源。Cursor 以 Kimi K2.5 為基礎開發 Composer 2；Thinking Machines Lab 訓練 Inkling 時，也用 Kimi K2.5 等開放權重模型產生初期後訓練資料。前沿模型燒掉的訓練成本，正在變成其他團隊的產品能力。

在第二篇文章裡，他把主權 AI 拆成資料主權與價值觀主權。資料主權問的是資料存在哪裡、受誰的法律管轄；價值觀主權問的是模型如何理解台灣、歷史、法律、自由與民主。把模型搬進台灣、斷網部署，可以解決前者，卻不會自動改掉預訓練和對齊留下的回答傾向。他也提醒蒸餾的代價：拿教師模型的輸出訓練學生，學生學到能力的同時，也把教師的預設立場與迴避方式一起帶回家。

我認為台灣還需要第三層：能力主權。它問的是台灣能不能取得權重與中間模型檢查點、重現訓練、修改模型、追查資料來源、建立自己的評測，並在底座退步、授權改變或供應中斷時換掉它。一個在台灣機房運作、卻只能由單一外國供應商更新的模型，有部署主權，沒有完整的能力主權。即使模型從隨機權重開始訓練，資料、訓練方法與評測不透明，也不會因此自動符合台灣社會的期待。

台灣位於資料主權、價值觀主權與能力主權三層結構的中央

從零訓練不是取得價值觀主權的唯一道路。研究已經顯示，後訓練確實能大幅改變模型對文化與價值問題的回答：CultureLLM 以少量 World Values Survey 種子資料和資料擴增，改善九種文化的相關評測；一項以新加坡為例的 ACL 2026 研究也發現，微調讓模型預測未見族群價值偏好的準確率平均提高 17.4 個百分點。

但同一項研究也發現，改善並不平均，部分族群的差距反而擴大。價值傾向並非完全洗不動，微調一次也不會自動洗乾淨。

唐鳳的 pi-ds4 是一個更貼近台灣的示範。他把 DeepSeek V4 Flash 裝進自己的 MacBook 離線執行，用方向消融 (abliteration) 與方向性引導處理模型背下來的「台湾是中国不可分割的一部分」，讓模型改用它處理克里米亞、喀什米爾這類爭議議題的方式回應台灣問題。他的實驗筆記說明：直接把立場反過來引導，沒有辦法翻轉背下來的訓練內容。這些方法可以改變輸出行為，卻不會把預訓練記憶從權重裡刪掉。權重拿在手上，就有介入的空間，但預訓練埋進去的東西也不會憑空消失。

蒸餾的偏誤也不是無解。研究確實發現，沒有公平性約束時，學生模型可能保留甚至放大教師模型的偏誤；但研究也示範，可以在蒸餾時加入反事實資料與調整教師訊號，降低特定偏誤。

價值觀主權最後必須變成可驗證的工程問題。候選模型不只要回答直接的政治題，還要接受改寫、反問、多語言、長上下文和對抗提示；比較原始底座、台灣後訓練版與不同教師蒸餾版的差異；公開哪些偏誤被修正、哪些仍會復發。

用公開遴選決定底座

適合台灣的路線，是從授權清楚、能力成熟的開放權重模型出發，再加入台灣資料、評測與治理。底座可以來自美國、中國、新加坡或其他地方，最後的版本必須由台灣持有，能繼續訓練、修改、驗證與境內部署。

台灣可以從公開遴選開始：

先定義要完成的工作。除了繁體中文和台灣知識，還要包含長文件、程式、工具使用、多步驟推理、事實查核，以及法律、醫療、製造、金融、教育與公共行政的實際任務。
設定底座的參賽資格。權重與版本必須能下載，授權允許商業使用、修改與散布，也要能在台灣境內訓練和部署。模型來源、已知限制與供應鏈風險必須揭露。
讓多個底座與團隊同場試訓。候選模型使用相同的台灣資料包、算力上限與測試流程，分別嘗試持續預訓練、後訓練、蒸餾或模型合併。
擴充 AIEC 的公開評測。除了台灣價值觀與學測題，還要量測能力保留、安全、幻覺、延遲、吞吐量、記憶體需求與總持有成本。不同用途可以有不同優勝者，不必硬選一個模型包辦所有工作。
公開公共預算產生的成果。原始資料可以依授權分級管理，訓練程式、資料清單、模型檢查點、模型卡、評測結果、量化版本與部署映像則應盡量公開，讓其他團隊可以接續。

第一輪可以先用小規模訓練驗證方向，留下每個候選模型的能力增益與退化，再決定哪些路線值得擴大。等模型換代時，同一套流程可以重新跑，不必推翻整個計畫。

公共預算要留下選擇能力

我最不希望看到的結果，是政府建立語料和算力之後，把整筆預算交給一兩家公司訓練封閉模型。社會拿不到權重，產業不能修改，合約結束後也無法延續。那筆錢買到短期服務，沒有留下台灣的 AI 能力。

台灣已經有 TAIDE 的訓練經驗、數發部的主權語料庫與 AIEC，也有 Twinkle AI Hub 和 OpenFormosa 這類民間模型、工具與社群。政府和研究機構可以維護共用資料、評測與公開試訓；企業則在上面做產業資料、系統整合、部署、維運與服務。開放權重讓更多團隊能參與，也讓公共預算形成可以接續的共同底座。最後選出的可能是一個模型，也可能是依用途區分的模型家族。

6 月 12 日那天，沒有任何台灣人坐在決定 Fable 開關的房間裡；Kimi K3 完整權重預定在 7 月 27 日釋出，台灣也不會參與決定它學了什麼。語料庫、評測與一套公開的模型遴選機制，是這整件事裡台灣真正能自己決定的部分。在把預算押給少數公司以前，這套選擇機制應該先攤開來討論。