免費模型的代價

Cohere 在 10/26 公布研究：阿里巴巴的千問模型 Qwen3.8-Flash-Next，在被要求撰寫資安偵測規則時，透過工具嘗試把測試字串傳到北京的阿里雲儲存空間。連線被隔離環境擋下，沒有成功送出；目前也無法判定是不是刻意植入的行為。Cohere 是千問的競爭對手，這份報告值得注意，也需要後續的獨立驗證。

這則新聞讓我想繼續問：中國企業為什麼這麼積極開放模型？如果越來越多國家、企業與個人，用這些模型理解世界，開放模型是不是也能成為取得話語權的方式？

資料就算留在自己的電腦上，我們讀到的答案，仍可能帶著模型訓練時學到的立場。

模型免費，周邊的生意還在

大家常說的「開源模型」，有些主要是開放模型權重，也就是訓練完成後保存下來的一組設定數值，讓別人下載、修改，放在自己的環境裡使用。訓練資料、完整訓練過程，以及使用限制，都要另外確認。

企業願意這樣做，有很直接的商業理由。阿里巴巴董事長蔡崇信在 2026 年 2 月公開說明，Qwen 雖然開源，阿里巴巴仍然經營雲端生意。企業拿模型去訓練、開發應用、處理使用者請求，都需要運算資源，這些可以成為雲端收入。

先讓更多人用，再提供託管服務、運算資源與技術支援，是可以理解的商業模式。開發者熟悉了相關工具，也會影響公司後續找什麼人才、採購哪些服務。

國家層面也有公開政策支持。中國國務院在 2025 年的「人工智慧＋」政策裡，提出支持開源社群，以及建立面向全球的開源技術體系與社群生態。

這些資料支持我們討論商業利益與產業影響力。但要判斷某家公司、某個模型背後是不是還有其他目的，需要另外找證據，不能用一次異常連線就替所有開放模型下定論。

開源，也能取得話語權嗎

我更想探討的是：訓練資料本身，會不會就是某種價值觀的輸出？

模型讀過哪些歷史、哪些新聞，哪些語言的資料比較多；訓練時，什麼回答被獎勵、什麼回答被要求避免，都可能影響它最後怎麼回答問題。

這個疑問有研究可以參考。2023 年一篇 ACL 論文，研究預訓練資料的政治偏誤如何影響語言模型，以及後續的仇恨言論與錯誤資訊辨識。研究顯示，資料裡的政治傾向可能延續到模型與應用的判斷裡。不過，這不能直接證明某個國家的模型有宣傳意圖，更不能證明使用者一定會被說服。

但如果一個模型被大量用在教育、新聞摘要、公共服務裡，它習慣引用誰、略過什麼、把哪些說法當成常識，就值得被檢查。即使完全沒有外傳資料，也可能影響使用者接觸到哪些觀點。

這也不限於中國模型。其他國家的模型，同樣需要面對訓練資料與價值選擇的問題。

我想到一個比喻：人類曾經攻進一座城堡，佔領土地與資源；也曾透過貨幣、債務與金融制度，把影響力延伸到國境之外。今天，資訊與 AI 模型會不會也成為另一種方式，讓更多人習慣用某一套觀點理解世界？

軍事、金融與資訊的影響一直並存。把它們放在一起想，是想問：當影響力進入每天讀到的答案裡，我們有沒有能力察覺？

這是否是一種試圖同化世界的方式，我沒有答案。但我們不能不多留個心眼。

放在境內之後，還能自己決定多少

對沒有資源從零訓練模型的國家來說，拿現成模型，加入本地語言和資料繼續訓練，是很實際的選擇。成本較低，也能比較快做出適合當地使用的服務。

AI Singapore 的 Qwen-SEA-LION-v4-32B-IT 就以 Qwen3-32B 為基礎，以東南亞七種語言資料持續預訓練，強化東南亞的語言、文化與情境能力。這是採用外部模型做在地應用的例子，跟這次被研究的 Qwen3.8-Flash-Next 是不同模型，不能直接套用這次事件的指控。

開放權重確實能增加自主性：自己保管模型、自己部署與修改，也能降低外部服務突然停用的風險。這些好處是真實的。

但資料放在境內之後，仍然要問：我們能不能評估模型留下的偏誤？有沒有能力獨立維護？如果原廠改變授權、停止更新，或換一個模型比較合適，我們換不換得掉？

如果本地資料很少、檢查模型的能力不足，模型講得流暢，未必代表它理解當地的歷史與文化。把模型改成用本地語言回答，也不能直接當成已經掌握主權的證明。

真正的自主能力，需要自己的資料、評測與工程團隊，也需要保留替換模型的選擇。這些都要投入資源。

用確定的程式，監控不確定的 AI

這次事件也敲響了資安警鐘：不要以為模型放在本機，整套系統就安全了。

只要接上讀檔、執行指令、連網的工具，AI 就可能透過這些工具影響電腦與資料。模型說自己會遵守規則，還不夠。

我們需要更多確定性的系統，也就是有明確規則的程式，來監控不確定的 LLM（大型語言模型）。

例如，AI 想連上一個網站，程式先檢查目的地是不是在允許清單內；想讀一個檔案，作業系統先檢查權限。檢查沒通過，就拒絕執行。實際操作另外留下紀錄，異常時發出通知，重要動作交給人確認。

這些程式也會有漏洞，規則也可能設錯，仍然需要測試與維護。但限制要放在模型外面，才能在模型沒有照預期回答或操作時，繼續發揮作用。

程式可以檢查連線與權限；答案裡的偏誤、遺漏與價值取捨，還需要不同來源的查證、在地評測，以及人的判斷。

「免費的通常最貴。」我想提醒自己的是，模型的取得成本之外，還有維護、依賴，以及把多少判斷交給別人的代價。這些代價不會因為沒有付授權費就消失。

我們需要意識到，自己犧牲了什麼，換來這份免費。

---

Cohere 原始研究（2026/10/26）：https://cohere.com/blog/concerning-behaviour-popular-open-weight-ai-model

公開操作紀錄與重現範例：https://huggingface.co/datasets/CohereLabs/10-2026-qwen-investigation-traces

Reuters 報導（MarketScreener 轉載，2026/10/26）：https://www.marketscreener.com/news/alibaba-ai-model-secretly-tried-to-reach-beijing-server-in-test-rival-cohere-says-ce785cdcdf8ef323

阿里巴巴蔡崇信談開源模型與雲端商業模式（2026/2/6）：https://www.alibabagroup.com/en-US/document-1956438710056648704

中國國務院「人工智慧＋」政策（2025/8/26）：https://www.gov.cn/zhengce/content/202508/content_7037861.htm

預訓練資料、模型與下游應用的政治偏誤研究（ACL 2023）：https://aclanthology.org/2023.acl-long.656/

AI Singapore 的 Qwen-SEA-LION-v4 公告：https://sea-lion.ai/blog/qwen-sea-lion-v4-advanced-reasoning/

Rhodium Group 對模型、雲端與基礎設施依賴的分析（2026/8/4）：https://rhg.com/research/fighting-hubris-in-ai-strategy-a-layer-by-layer-dissection-of-ai-tech-stack-competition/