【2023年度風雲人物6】AI會說台灣人的中文 台語模型也完備「真歡喜看著你」

不畏通膨與升息，2023年生成式AI在全球經濟異軍突起。超級運算掀起滔天巨浪，加速產業變革，也重新定義人們慣習思考、學習與創作的場景。

在這波轉型浪潮中，台灣有一群人也站上浪頭。他們或是掌握供應鏈先機的科技業大老，或是突圍出海的創業者，甚至是敲響警鐘的創作人，以及守護台灣價值的工程師與律師。他們讓AI不只是矽谷巨頭、中美大國之間的權力遊戲，也帶台灣迎向新世界。

今年6月國科會公開「台版ChatGPT」第一階段測試，專案模型組召集人蔡宗翰和一群平均年齡不到25歲的工程師緊盯黑壓壓的對話模型框，當模型一字一句吐出中文，卻不見ChatGPT系統常出現、台灣人不會使用的「總的來說」「人工智能」等中國用語，蔡宗翰開心笑了，「很像在教一個從美國回台灣的ABC，我們說一句，他說一句，當他終於可以講得很流利，而不是怪裡怪氣的字句，那應該是我的AI時刻吧。」

餵養台灣素材 打造語言模型

ChatGPT問世一年，矽谷科技巨頭微軟、Google相互較勁，各國軍備戰也開打，中國推自產的「悟道」「文心一言」，法國有「Bloom」可理解46國語言。台灣產官學各單位也動起來，試圖打造台灣的大型語言模型，商用如聯發科的BLOOM-zh、台智雲的福爾摩沙，官方有如國科會的「可信任人工智慧對話引擎」（Trustworthy AI Dialogue Engine，簡稱TAIDE），另外，直接以台灣為名的「Taiwan-LLM」，由台大資工系博士生林彥廷與台大資工系指導教授陳縕儂獨立開發、開源釋出，11月釋出的2.0版，包括數位部已嵌入內部工作流程，台積電、聯發科也來探詢。

「去年看到ChatGPT出來，想說：哇，『這東西也太厲害了！』又支援中文，直覺那是美國、矽谷、大公司才能做的事，沒想過我們也能做，」大學念資管系的林彥廷，因大三修習機器學習的課，對自然語言產生興趣，改攻資工博士，今年5月到亞馬遜實習時，剛好也在相關開發小組，7月，當他看到海外一些社群運用Meta開源模型LLaMA2開發出落地版的大型語言模型，立刻向指導教授、台大資工系副教授陳縕儂提案並得到支持。

「每個時代都有科技的buzzword（流行語），但語言模型不一樣，之後會被大量應用，尤其在教育、法律與醫療領域…它可能變成私人家教，取代部分學習的功能，當它牽涉很多價值觀，卻滲透到小孩的學習，做底層模型的源頭管控很重要，」林彥廷說，Taiwan-LLM的初衷是讓語言模型能流暢說台灣人會說的繁體中文，下一步則是調教成能提供在地知識的對話機器人。然而，初步篩選資料就遇到困難。

第一版他們採用包含由國際非營利組織Common Crawl自動抓取的中文網站檔案，即便已排除簡體字來源，甚至要求網站只要有一個簡體字，整筆資料刪除，訓練出來的語言模型還是會給出「台灣是中國」的答案。「中國有大量的內容農場網站翻成繁體，因為廉價，又很好爬（程式自動抓取），即便篩選過，資料仍充斥大量中國大陸的文本。」林彥廷推估。

國家專案計畫 資料授權謹慎

第一版結束後，他們四處談合作，最終由日商優必達與亞馬遜協助提供算力；資料集的部分，他排除第一版的網路公開資料，選擇餵入台灣新聞、社群網站、維基百科、司法院、法典、法學資料庫等，約300億繁體中文字，「很意外，第二版不用特別過濾，也不會產生國籍錯誤。」 他另外寫了100多題問答訓練，確保語言模型在穩定情況下，不會在敏感的政治議題出錯，包括準確解釋戒嚴、避免政黨偏好，現在若問它「NTU」，答案也不再是通用大型語言模型會跑出的南洋理工大學（Nanyang Technological University），而是台大。

國科會的TAIDE計畫也建立在開源模型。同時是中央資工系教授、中研院人社中心研究員的蔡宗翰說，關於台灣是否要開發自己的大型語言模型，一直有爭論。畢竟從頭開發一個大型語言模型，除了需要一兆字元的基礎訓練，成本也過於高昂，但他認為，台灣已錯過一個世代的網路發展，「我們沒有自己的搜尋引擎、社群網站，人才沒辦法拿到最好的資料，也不能確保資料隱私。」2月，當國科會主委吳政忠宣布，台灣應該要有自己的ChatGPT，避免被大量簡體中文資料主導，他很快被計畫主持人、資通安全專題中心執行長李育杰找來負責模型訓練組。

因為是國家專案計畫，第二階段又希望商用，資料集的來源、授權，需比學界獨立試驗開發的計畫來得謹慎。蔡宗翰和團隊老師、30多位工程師，除了蒐集包括中央社、維基、學術會議論文摘要等十多種資料，整理成一段一段乾淨的字條，餵入模型，展開文字接龍的中文基礎教育，科政中心也跨部門調取政府公開資訊與學術論文，同時與新聞媒體、出版社等機構洽談。「品質好的內容，才能訓練好的內容。」蔡宗翰也提到，當中資料屬性平衡、個資隱私訊息都要另外處理。

資料庫打地基 守住本土文化

TAIDE在六月中公開初代測試模型，截至12月初，第二階段的模型在自動摘要、翻譯文本、寫信、寫文章等任務表現能力，已超過去年底的ChatGPT 3.5，但因安全性評測未建立完成，申請才能使用，目前有包括勞動部等3、40個單位簽署合作備忘錄。

蔡宗翰笑說，短時間要完成這麼大的任務，除了30多位工程師日夜趕工，他們也運用一些機巧，譬如LLaMA的模型說的是英文，他們先做一個翻譯機，訓練初始便問模型Meta當時怎麼訓練它，結果模型吐出30多萬條提問，再讓模型自己回答達成訓練。TAIDE也利用做好的中文模型，發展台語、客語模型，已完備的台語模型，招呼語就是「你好！真歡喜看著你」，12月初在新加坡，Meta主管和科學家都表示出興趣。只是少數語種的資料量，落差更明顯，英文一T，繁中一B，台語只有一M，原住民語言模型，其他團隊還在開發努力。

無論是Taiwan-LLM或TAIDE，未來如何擴大提升繁體中文語料、算力及法律，步步是挑戰。但就像吳政忠表明的，台灣不能萬事問ChatGPT，建置大型語言模型像「打地基」，未來除了提供公私部門加值應用，也是守住台灣珍貴的語料和文化。

更多鏡週刊報導
【全文】【2023年度風雲人物】台灣AI造浪者 迎向危險迷人新世界
【2023年度風雲人物7】AI立法急迫「別由上而下做決定」 她喊話該辦國是會議了
【2023年度風雲人物1】代工之島成功升級 台灣成AI大贏家台商都回來了