阿將伊崮喜瀾觀點 : 算法鐵幕Ⅱ—2025之後， AI裂變如何改寫人類認知？

表面上，AI革命像一次超級文明「大豐收」，當模型越來越多、工具看似越來越便宜、能力越來越像魔法。但如果你把鏡頭拉遠，就會看到另一種更真實景象—模型的增殖正在加速世界的不相容。

在Hugging Face的開放平台上，模型數量已經不是「百萬級」的想像，而是事實，2025年7月的生態概覽指出Hub上已經有超過180萬個模型（Ghosh等，July 15, 2025）。更關鍵的是，研究者直接分析Hugging Face上約186萬個 models的「家族樹／血緣」網路，發現大量模型其實是從基座模型分支出去的微調、改造與衍生（Laufer等，9 Aug. 2025）。

到2025年10月1日的統計資料更顯示，Hub上已到達2,126,833 models hosted，同時也揭露下載量高度集中於小模型身上（BOURDOIS，Oct. 2025）。這些數字傳達的重要訊息是：模型越多並不代表世界越整合，反而可能代表每個陣營（甚至每個圈層文化的認知差異）都有足夠材料去打造自己的「價值引擎」與「版本宇宙」。因此，「算法鐵幕」不再只是修辭，它正在成為當代 AI 的「地形學」。

很多人大概都知道全球AI的分裂與文化差異或意識形態對抗有關，但那可能只是表層。真正讓「裂變」變得「可被執行」的是三個更堅實的結構—資料主權、算力供應鏈與法規治理。

如果我們把晶片／算力、法規與資料治理三個面向擺在一起看，跟未來情況最接近的無疑不是「單一世界模型」，而是更接近「多個AI 技術圈層」與「供應鏈圈層」，其中每一圈都有自己的資料、算力、規範、內容與語言文化的優先次序。因此，我認為文化和意識形態固然會加劇分裂，但真正讓分裂「落地」的反倒是基礎設施與法規，也就是那些符合當地區域的認知與風俗習慣。以下便是最符合上述論點的三種裂縫：

第一條裂縫是「算力」與「晶片」。當「能不能取得高階 GPU」變成國際政治工具，模型能力就直接被鎖進地緣的槓桿。比如美國國會研究服務處（CRS）對先進半導體出口管制內容中明確把目標寫成：限制中國取得先進晶片關鍵技術、維持先進晶片與AI應用領先，藉此放慢中國競爭能力（CONGRESS.GOV，09/19/2025）。

第二條裂縫是「法規」。拿歐盟AI Act的「分段生效」規定來說，本質上就是在定義制度：什麼樣的模型行為才能進入市場、誰要負責、如何治理。官方AI Act Service Desk的時程也明定記載：「2025-02-02 起一般條款／禁止事項適用；2025-08-02起 general-purpose AI（GPAI）規則適用且治理要到位。」（AI Act Service Desk，02 Feb 2025） （相關報導： 杜紫宸觀點：全球算力戰下，台灣半導體的隱形突圍 ｜ 更多文章 ）

第三條裂縫是「資料治理邏輯」。包括隱私、版權、跨境流動與內容邊界都在不同地區被寫成不同的「默認值」。結果就是為了讓同一個模型能在不同地區合法運作，背後往往必須生成不同版本與不同合乎規定管線。因此，當你看到的是「產品更新」，但它其實是在把世界切成不同演算法的語法圈。

接下來的問題是既然模型這麼多，未來會不會被整合成少數幾個？答案是會整合，但整合的位置多半不在「一個權重統治全球」，而是在「系統層」把多模型編成一支軍隊。而第一種整合是 Model routing / Orchestration。最常見的方法就是同一個產品在寫作、程式、檢索、資安、視覺與語音之間切換不同模型，對使用者看來像「一個 AI」，其實是「一個模型群」。第二種整合是把「多模型」放進一個模型本體：MoE（Mixture-of-Experts）。其特點是模型很大，但讓每個 token 只啟動部分「專家」路線，讓成本與延遲更可控。MoE 因此被視為能在「計算開銷最小化」前提下顯著增強效能的關鍵架構方向（Zhang 等，15 Jul 2025）。第三種整合是「合併模型」（model merging）。也就是融合多次微調成果而形成新的可部署體，像我在微調或優化原住民相關的文本、語音與圖像的多模態模型或mergekit此類以「resource-constrained」為核心設計目標的工具，可在CPU 或少量VRAM下完成合併（GitHub，arcee-ai/mergekit）。

不過，這裡存在一個刺眼的現實，模型「整合」並不等於它就必然比其他模型更強大。Hugging Face在2025年10月的下載統計指出，在已知模型大小的開源模型中，約有92.48 % 的下載來自小於 1B（10 億）參數的小模型，畢竟許多LLM 權重確實很大，不適合一般設備（Loïck BOURDOIS，Oct. 13, 2025）。

因此，未來趨勢呈現由大語言模型（LLM）留在雲端做「神經中樞」、小模型（SLM）延伸為「身體骨架」，中間層則靠路由器、RAG（知識庫）、工具鏈與合併技術統合能力做拼裝，此意味將不是由誰來一統江湖，而是由誰成為「可控的多樣性」（Ray，2025）。

說到這裡，有人可能會問道，假使量子一旦成熟必定改寫「算力」版圖；但不少專家也預見在這幾年更像是「周邊技術／研究線」會先導入量子。學界已出現把LLM能力「蒸餾」到量子學生模型的研究，例如Quantum Knowledge Distillation for Large Language Models（QD-LLM）不只在模擬上展示效果，也提到使用實機裝置做實驗，在Quafu的Baihua 超導量子處理器上進行驗證，甚至還指出156-qubit晶片規模（Li等，01 Aug. 2025）。 （相關報導： 杜紫宸觀點：全球算力戰下，台灣半導體的隱形突圍 ｜ 更多文章 ）

百量級qubit的系統最難之處不只是把qubit 做多，而是必須同時控制、校準，還能讀取大量元件，並讓品質維持在可用範圍內。你可以把它想像成10個 qubit像「能演奏一小段旋律的樂器」，156個qubit 則像「一整團管弦樂隊」—當樂團人數越多，並不代表彈奏的音樂會更容易好聽，而是更容易走音；因此，如果能把整團維持在可用狀態，才是一種工程能力的展現。

巧合的是，歐洲量子科技社群的白皮書也刻意「不過度銷售」，指出 AI 與量子是兩場成熟度不同的革命，量子仍是「承諾中的技術」，雖然其目前與AI的協同已進入成長過程，未來若要真正取得優勢，仍需更大規模與容錯的量子電腦（FTQC），但這已屬中長期目標。

至於硬體擴張，新聞裡也開始出現「可規模化」報導，例如Live Science曾報導某公司提出能支援10,000-qubit的3D wiring 架構，並提到目標將於2028年出貨（Tristan Greene／Live Science，Dec. 2025）。因此更貼近現實的結論是：量子更可能先在優化、生成、材料、特定子任務或混合管線等區塊提供「局部增益」；至於在大模型（LLM）訓練與推論上，GPU／TPU 等專用加速器仍會是主要舞台。

總而言之，「算法鐵幕」最可怕的不是分裂，而是分裂被工程化、制度化與產品化之後，人們會不知不覺習慣同一問題在不同AI裡竟能得到不同的現實，最後連對帳都做不到。歸根究底的解法不是幻想全球只剩一個超級大模型，而是能建立跨陣營的最小共通點—這是一種可供審計的責任鏈、可互操作的基本介面，以及可理解的風險語言，同時也能把「模型差異」變成公共素養（AI Act Service Desk，2025）。但也別忘了那些被主流長期低估、具有可平衡並彌補演算法漏洞的傳統知識（規範與禁忌）系統，不該在「鐵幕」落下後才被補救—因為一旦「牆」蓋好，最先消失的往往不是技術，而是彼此對理解「認知差異」的能力。

＊作者為大學教授與鐵幕後的漠然蒼生 （相關報導： 杜紫宸觀點：全球算力戰下，台灣半導體的隱形突圍 ｜ 更多文章 ）