19:01pm
台灣到底需不需要一套自己的AI大語言模型？數位發展部長林宜敬9月5日在臉書發表長文，把這個長期困擾台灣產、官、學、研的問題攤開來談。他的答案很明確：台灣需要自己的AI模型，但沒有必要照著美國、中國的路線，砸巨資硬做另一個ChatGPT、Gemini或Claude。
林宜敬認為，台灣真正面對的困難不是「沒有錢」，也不是「技術做不到」，而是市場規模與產業生態系不足以支撐一場無止境的超大型模型軍備競賽。
因此，台灣更合理的戰略不是和全球科技巨頭比誰的參數更多、模型更巨大，而是找出台灣自己的利基市場，發展真正懂台灣語言、社會、金融、醫療及法律環境的專業模型，也就是他所說的「SLM」。
這條路已經有初步成果。
林宜敬透露，數發部「人工智慧評測中心」（AIEC）目前已評測全球180種LLM，依其公布結果，台灣的「雅婷智慧」名列第4、「亞太智能」第10、「鴻海Fox Brain」第12；數發部與金管會合作推動的「台灣金融大語言模型」，目前則由亞太智能訓練的模型拿下評測第1。
他的下一步，是把這種模式一路推進醫療、法律，再把模型真正變成產品、找到客戶、創造營收。
換句話說，台灣自己的AI不能只停留在「我們也做得出來」，而必須走到「有人願意付錢用」。
台灣不是做不出LLM 真正難題是做出來以後怎麼養
林宜敬指出，打造一套像ChatGPT、Gemini或Anthropic旗下Claude等大型語言模型，需要非常龐大的資本投入，規模可能達上千億元台幣，但如果台灣真的傾全國力量投入，並非完全負擔不起。
技術同樣不是不可跨越的牆。
Transformer、Mixture of Experts等大語言模型核心架構與相關研究已經大量公開；台灣又是全球高科技與半導體重鎮，從晶片、伺服器到資料中心供應鏈都具備很強的基礎，因此真正的問題並不是「台灣能不能做出一套LLM」。
問題是：做出來之後，能不能持續養得起下一代、再下一代。
美國AI企業的優勢，不只在技術。
美國本身就是全球政治、經濟與文化強國，OpenAI、Google、Anthropic等公司面向的不是單一國家，而是全球市場；Google還有Search、Android與Workspace，Microsoft有Office、Azure及龐大企業客戶，這些既有平台可以直接成為AI產品的入口。
先行者已經取得用戶與收入，再把收入投入下一代模型研發，形成一個不斷循環的商業模式。
中國則有另一套生態。
龐大內需市場、本土網路平台，加上政府政策與市場環境，使中國AI企業可以在相對獨立的生態系裡取得用戶與營收，再支持下一代模型訓練。
林宜敬指出，台灣、日本、法國、德國、英國都沒有完全相同的條件。
內需市場不夠大，也不可能靠政府把美國AI產品擋在國門之外。
因此，台灣如果從第一天就決定和OpenAI、Google正面比誰的通用模型更大、更強，等於直接走進全球最昂貴的一場戰爭。
答案藏在管理學課本：找Niche Market
那台灣怎麼辦？
林宜敬給的答案其實很傳統，甚至不是什麼神祕AI理論，而是企業管理最基本的概念：
Niche Market——利基市場。
他的主張是，台灣先做一些「美國、中國不能做，或者不想做」的模型。
例如，真正具有台灣觀點、熟悉台灣語言與社會環境的模型；真正懂台灣金融監理制度的模型；真正熟悉台灣醫療與醫護實務的模型；未來再發展熟悉台灣法律與司法制度的模型。
林宜敬把這種模型暱稱為「SLM」。
SLM可以代表Small Language Model，小型語言模型；也可以是Specialized Language Model，專業化語言模型。
它的核心不是大，而是準。
不是什麼都要懂，而是在某一個台灣真正需要的領域裡，做到比全球通用模型更了解台灣。
不是把介面換成繁體中文 而是真正理解台灣
林宜敬特別強調「台灣觀點」。
他舉例，中國的DeepSeek、Moonshot Kimi等模型成本低、使用方便，但模型吸收的語料、歷史敘事、政治制度與社會環境，與台灣並不完全相同。
同樣一個「土豆」，在台灣語境裡可能指花生，在中國常用語裡通常是馬鈴薯。
再往更深層的問題走，談二次世界大戰中國戰場的軍事主力、媒體與政府之間的關係、民主制度中的權力制衡，不同政治與社會環境訓練出的模型，也可能得到完全不同的回答。
所以台灣真正需要的，不能只是一套「會打繁體中文字」的AI。
而是知道台灣人在講什麼、理解台灣歷史、制度與民主社會運作方式的AI。
這也是數發部建立AIEC評測制度的原因。
拿學測考AI AIEC已測全球180種模型
林宜敬表示，AIEC目前的基本評測分成3個部分。
第一，是「對台灣繁體中文的理解能力」，直接使用台灣高中學測過去5年的國文科題目。
第二，是「對台灣社會的理解能力」，使用過去5年的學測社會科題目。
第三，是「台灣價值觀」，題目設計方向是台灣不同政治陣營間存在一定程度共識，但與中共官方立場可能不同的議題。
依林宜敬公布資料，目前AIEC已測試全球180種LLM，包括美國、中國、法國及台灣多個知名模型。
台灣模型的結果相當突出。
雅婷智慧排名第4、亞太智能第10、鴻海Fox Brain第12。
林宜敬並強調，全球前段班的美國模型多為超大型模型；相較之下，台灣自行訓練的SLM規模小得多，因此在運算成本、耗電及實際部署上具有另一種優勢。
這也正是SLM路線想證明的事情：
不一定要把模型做成全球最大，才能在特定問題上得到非常好的結果。
20家金融機構一起投入 台灣金融模型已拿第1
真正開始接近「產業化」的案例，已經出現在金融業。
林宜敬表示，數發部目前與金管會合作，鼓勵包括中信金等20家大型金融機構共同出資，訓練「台灣金融大語言模型」。
做法不是政府自己成立一家公司打造模型，而是讓民間AI業者負責技術與訓練，金融機構投入資源與需求，金管會負責設計真正符合台灣金融環境的考題，再交由AIEC進行評測。
依林宜敬公布的結果，目前由亞太智能訓練的金融大語言模型排名第1。
這件事的實際意義，比一個排行榜名次更重要。
銀行、保險、證券業未來大量導入生成式AI之後，真正危險的情況不是AI不會回答，而是回答得非常流暢、非常有自信，結果引用的卻不是台灣法規。
如果一套AI真正熟悉金管會規範、本地金融商品、台灣法遵制度以及金融業實際使用語言，它在台灣市場的價值，就可能高於一套什麼都知道、卻對台灣監理制度不夠精準的全球通用模型。
這正是SLM可以找到的商業空間。
醫療也開始做 拿台灣護理師證照題庫測模型
醫療領域也走同一條路。
數發部目前與衛福部合作，鼓勵台灣AI公司訓練真正熟悉台灣醫護環境的SLM，再以台灣護理師證照考試題庫作為評測題目，由AIEC執行測試。
林宜敬公布，目前鴻海Fox Brain名列第4，長聯科技「愛寶」排名第6。
醫療AI尤其需要本土化。
藥品名稱、醫療流程、健保制度、護理實務、醫事法規乃至醫療機構運作，都具有高度地域性。全球最強的通用模型如果不了解台灣醫療制度，在實際醫療場域裡未必就是最好用的模型。
下一個輪到法律 不能問台灣法卻回答美國法
接下來，數發部準備與法務部合作。
目標是訓練真正熟悉台灣本地法規的SLM，由法務部負責出題，AIEC進行科學評測。
林宜敬特別提出一個很具體的風險。
未來法務部檢察官及政府公務員開始大量使用AI，如果向模型詢問一個台灣法律問題，AI回答得頭頭是道，結果援引的是美國法規，或者整套推理使用的是英美法系概念，對台灣公務體系不但沒有幫助，甚至可能造成嚴重誤導。
因此，「模型有沒有答案」已經不是唯一標準。
更重要的是：它知不知道自己在哪一個國家的法律制度裡回答問題。
真正挑戰才剛開始：模型要從排行榜走進市場
林宜敬最後也沒有因為台灣模型在評測取得好成績，就宣布「台灣AI成功了」。
相反地，他認為真正的挑戰才剛剛開始。
台灣民間廠商已經證明有能力訓練出表現亮眼的SLM，下一步必須把這些模型產品化。
產品化之後還要找到大量企業客戶，從金融、醫療、法律一路進入不同產業，真正建立一套市場。
因為只有市場才能帶來穩定營收。
有了營收，企業才能再聘更多AI人才、購買更多算力、訓練下一代模型；下一代模型更好，又可以帶來更多客戶與營收，再把資源投入下一輪研發。
如此循環下去，才稱得上真正的AI產業生態系。
這也是林宜敬9月5日這篇長文真正想回答的問題。
台灣需要自己的AI大語言模型嗎？需要。
但台灣未必要複製一個OpenAI，也未必要用國家力量硬造另一個ChatGPT。
台灣已經掌握全球最重要的AI晶片、伺服器與硬體製造能力，現在真正缺的，是讓這些硬體上跑的模型，也能理解台灣自己的語言、金融、醫療、法律與民主社會。
而如果「小而專」的SLM最後能走進企業、取得訂單、建立營收，再用自己的收入養下一代模型，台灣才算真正把AI從一項政府科技計畫，變成一個可以自行生長的產業。
晶片與伺服器可以是台灣製造，真正懂台灣的AI，也可以由台灣自己做。
