AI先吃什么，先学会什么：台湾扩建主权语料库，简体中文数据优势进入政治争论

台湾关于“华语诠释权”的争论，正在从文化政治进入人工智能训练数据。9月19日，中研院欧美所研究员洪子伟在台北研讨会上警告，大量简体中文资料可能让北京在全球华语知识生产中取得更强的解释优势。四天前，台湾数发部刚宣布扩大“台湾主权AI训练语料库”，并明确表示，目前国际大型语言模型的中文训练资料仍以简体中文内容为主。

把这两件事放在一起，问题就不再只是繁体字和简体字谁使用得更多，而是一个更具体的技术事实：生成式AI需要海量训练数据，而中文网络数据的规模、来源和可获得性并不平均。台湾政府正在投入资源补充本地语料，本身就说明中文AI训练数据的结构差距已经被当作政策问题处理。

台湾数发部9月15日公布的数据是，这套主权AI训练语料库自去年底上线后，已经累积约5000笔资料集、超过22亿词元。新的征集对象包括出版社、电子书平台和作家，目的就是增加台湾自身的语言、文化和社会价值进入模型训练材料的机会。

这说明所谓“诠释权”并不是一个完全抽象的政治词汇。大模型如何回答历史、政治、法律和身份问题，与它训练时接触了什么材料有关。模型不会自动知道哪一种叙事来自自由媒体，哪一种来自受审查的新闻环境；它首先处理的是大量文本之间的统计关系。

中国大陆的数字内容规模远大于台湾。新闻网站、政府页面、百科、论坛、商业平台、短视频字幕和社交媒体构成巨大的简体中文资料池。但这个资料池并不是在完全自由的信息环境中形成。中国的新闻媒体受到政治管理，网络平台承担审查义务，敏感议题会被删除、限流或禁止传播，政府和官方媒体则拥有持续、大规模生产内容的能力。

这意味着一个必须被拆开的风险：如果国际模型大量使用中国大陆公开网络资料，它吸收的不只是“简体中文”这种文字形式，也可能吸收一个已经经过审查、删除和官方叙事长期塑形的信息环境。这里的关键不在字体，而在数据是怎样被生产出来的。

洪子伟9月19日在“论抵抗”研讨会上把这一现象称为“知识不正义”，并认为北京试图借大量简体中文资料扩大对全球华语的诠释影响。他还把问题放进台湾长期语言政策和认知作战的框架中讨论。这些是洪子伟的分析，并不是已经由公开模型审计证明的因果结论；但台湾数发部此前主动扩充本地主权语料库，则提供了一个可以观察的政策事实：台湾政府确实认为现有中文训练数据不足以充分代表台湾社会。

真正需要区分的是“数据规模优势”和“政治操控”之间的距离。简体中文材料占比更高，并不能单独证明某个模型受到北京直接控制；同样，一个模型使用繁体中文回答，也不代表它的知识来源来自台湾。训练数据的地区构成、来源权重、后期微调和安全规则都会影响输出，而多数商业模型并不会完整公开这些信息。

问题因此落到模型透明度。一个读者过去阅读人民日报、新华社或台湾媒体，至少知道文章来源；面对聊天机器人时，答案往往把许多资料压缩成一段没有清楚出处的文字。用户看到的是一个看似统一的回答，却很难知道某个历史称谓、政治概念或两岸议题的表述究竟来自哪些训练材料。

对于北京而言，这种结构具有潜在优势，并不需要每一次都通过直接操控模型来实现。中国大陆拥有更大的中文内容生产规模，同时又能通过审查制度决定哪些政治叙事能够长期留在公开网络。若这些公开资料大量进入训练集，原本发生在中国境内的信息筛选就可能通过技术渠道产生境外影响。

这与传统对外宣传不同。传统宣传需要报纸、电视台、网站或社交账号把内容送到海外；训练数据的影响发生得更早——在用户提问之前，模型已经完成对海量文字的学习。它最终是否形成系统偏差，需要具体模型测试才能判断，但风险形成的条件已经存在：数据规模不平衡、来源不透明，以及不同中文社会能够提供给模型的资料量相差悬殊。

台湾目前的回应不是简单封堵简体中文，而是增加自己的资料供给。数发部邀请出版业、电子书平台和创作者授权内容进入训练语料库，本质上是在争取让台湾自己的历史经验、法律制度、文化和语言习惯进入AI训练体系。这与洪子伟主张的语言政治并不完全相同，却指向同一个现实——未来的中文知识竞争，会越来越发生在数据集和模型内部，而不只发生在媒体版面上。

从“赤墙之外”的角度，这个题目的重点也不应该停留在“北京有没有宣传”。更深的一层，是中国境内的信息控制在AI时代可能获得新的传播路径：一个经过长期审查塑造的网络环境，可以作为原始数据被全球技术公司吸收，再以没有明显媒体标签的形式回到海外用户面前。

这条影响链还需要更多公开模型审计和数据研究才能精确测量，但它已经改变了问题本身。过去讨论中国的信息控制，核心是删掉了什么、封住了谁；到了生成式AI时代，还必须继续追踪另一件事——在大量内容被留下、重复和机器学习之后，谁的语言和叙事更容易成为模型默认知道的“中文世界”。