一、ChatGPT又在一本正經的胡說八道？
畢業季到了，我為即將離校的導生挑選畢業禮物：一本適合他們的書。既然我已經訂閱了ChatGPT Plus，當然也想看看它能否擔任一位稱職的選書顧問。
我請學生填完一份閱讀與性格問卷，再請ChatGPT協助分析並據此推薦。書單陸續出現了：－《人間失格》 太宰治
－《少年巴比倫》（簡體） 路內
－《深夜加油站遇見蘇格拉底》 Dan Millman
－《解憂雜貨店》 東野圭吾
－《夜晚的潛水艇》 吳明益
－《其實你沒有那麼孤單》 周慕姿
－《人生路引》 李欣頻
－《我想跟你好好說話》 陳志恆⋯⋯
一切看似順利，但當我進一步核對書籍資訊時，問題浮現了。有些書名對、作者對不起來；有些出版社錯置；有些書甚至根本不存在。
像《夜晚的潛水艇》確有其書，但作者並非吳明益；而《其實你沒有那麼孤單》，這看起來更像是某首流行歌名而不是書籍。然而AI並非隨機生成一堆書名給我，因為英譯及日譯作品幾乎沒有這個問題，但它看起來無法正確指認中文出版品。
反覆追問ChatGPT後，我歸納出兩個關鍵性原因：第一，臺灣出版品的書名常趨於詩意與語錄化，語義結構模糊，使得語言模型難以分類、辨識主題與風格。第二，也是真正的核心問題：臺灣出版品的資料，語言模型幾乎無法讀取與使用。
這不只是AI生成了有問題的書單，而是語言文化在AI模型裡中「資料失語」。
二、AI讀不到臺灣出版品的資料會發生什麼事？
更讓我警覺的是，ChatGPT在推薦中國大陸出版品時，出錯的比率明顯較低。這揭示了一個事實：AI 這次的錯誤，並不在於「中文本身的特性」，而在於臺灣出版品的書面語料，是否以結構化方式進入語言模型的學習系統。
在語言模型不斷迴圈學習、快速重構語言的時代，若我們只關注「抖音」「小紅書」等社群媒體帶來的非本土詞彙，而忽略更深層的語料結構問題，後果將遠比語彙借用更為深遠。我們將會面臨以下幾種後果：
—我們將難以透過指令，精準生成「臺灣語境」的內容，因為模型背後缺乏相關語料
—下一代的語言認知，在與AI密集互動中，會逐步向非母語語法靠攏
—中文生成語體將在無自覺中，漸漸趨近北京語言思維與語氣邏輯
這些語言偏差，包括AI無法生成貼合本土語境，或是生成語言功能與語法逐漸偏向他者的語言結構等……背後不只是語彙的挪用問題，而是整個語言模型的學習系統中，我們的語言無從被有效辨識與讀取。許多臺灣出版品對人類讀者而言極富語感，但對語言模型來說，這些語言是沉默的。這不只是類似「支語」（儘管我不太喜歡這個詞彙）大幅進入臺灣日常對話中的問題，而是每次我們跟AI互動、使用AI生成的內容，都可能讓臺灣自己的語言在資料層面退場，而我們卻不自知。
諷刺的是，就連「生成」這個技術關鍵詞，本身也是來自中國科技語境中的翻譯與流通；如今我也不可避免地使用它，因為ChatGPT教會了我這個詞。
三、AI需要什麼樣的語言資料？
語言模型所依賴的，並不是單純的書目列表，而是可供學習的語言地圖。相比人類可以靠直覺找到路，AI需要一座有標籤、有座標、有路標的語言城市，才能在裡頭走路、辨識方向、建立意義。在這座城市裡，「書名」是建築物，「主題分類」是街道區域，「功能性關鍵字」像是門牌與路標，以上缺一不可。現今大多數語言模型仰賴的語意系統，不是單點資訊的收集，而是語意網絡與知識圖譜的建構：它要知道哪本書與哪個主題有關、哪句評論是支持還是批判、哪些語句帶有說服、分析、敘述等功能，以及它們常出現在哪類文本中。
臺灣長期把出版當作內容產業，卻未能將書目當成語言基礎建設來維護，這一點目前遠落後於歐美國家、日本，甚至是中國。網路書店的資料格式為行銷設計，而非為語言模型學習設計；我們有排行榜、有行銷標籤、有作者語錄，卻缺乏明確主題分類、副標結構、統一分類標準及功能性關鍵字連結，也沒有結構穩定、可被引用的書評資料平台。
而其他語言文化早已開始行動。中國有豆瓣，日本有讀書メーター與國立國會圖書館，歐美則有 Open Library、Goodreads 等平台，這些資料庫讓語言模型不只是「知道一本書存在」，更能理解它「在語言世界裡的位置」。臺灣的資料，在技術層面上是「可見但不可學」；AI看得到，卻無法學習。
四、我們不是有國圖嗎？
事實上，國家圖書館早已建立完整的書目資料庫，許多書籍具備清楚的分類與館藏紀錄。然而，這套系統設計的主要目的，是服務人工檢索與紙本典藏，並未針對語言模型的學習邏輯優化。即便國圖未來完成書目格式轉換，也只能讓語言模型掌握「書的存在」。但語言真正的脈絡，來自人們如何討論一本書、如何評論一段敘述、如何辨識語言中的意圖與情緒。若我們沒有讓語言在公共平台中被再使用、再評論、再標註，那AI終究也只能停留在名為「書本」的建築物前，而無法打開門走進去。
臺灣現存的書籍資料，就像一座沒有地圖的城市。書在那裡，路也在那裡，但沒有座標，沒有路牌，語言模型只能「用猜的」來理解這片語言地景。而我們目前的資料形狀和邏輯，已不符合AI時代機器學習的方式。國圖書目的資料雖豐，但尚未轉化為語言模型能理解與運用的格式，如 RDF、JSON-LD 或 schema.org 所支援的結構。也因此，我們眼前有資料，但語言模型看不見；語言模型看到資料，卻無法真正「學會」它。
AI世代所需要的，也不只是一本書的資料欄位，而是一個能讓語言在公共空間中活著的平台。閱讀行為不該只停留在「讀」，而要能被記錄、被評論、被交叉引用，這樣才能構成語言存活的痕跡。而這樣的平台，至今在臺灣仍是空白。臺灣的書評散落於社群、貼文與電商平台，缺乏系統的一致性與結構化。如果我們不為語言留下這些可學的軌跡，那麼在AI眼中，它將永遠只是「說過」，而不是「正在被使用」。
五、我們的語言，在AI的世界裡還是語言嗎？
當網路上呼籲「不說支語」，其實也是在捍衛一種語言的文化完整性。但語言的存在，不只是聲音、字詞與句型的排列，而是它能否在新環境中被理解、被使用、被延續。AI所呈現的語言偏差，也許並不是一種入侵，而是一種映照：映照出我們尚未替自己的語言建好能被閱讀與學習的空間。
語言的消失，從來不是突如其來的沉默，而是長久以來缺乏可學、可對話、可辨識的痕跡。而在AI不斷學習的過程中，語言不是只是被使用，而是在被重新定義。
這場語言的重組，正在AI時代中發生，而我無法預期它的速度。它不是透過文學經典或母語教學，而是透過平台、格式、分類與評論的存在與缺席，不斷以指數速度放大。面對這些由平台、格式與演算法建構而成的語言框架下，要如何讓屬於我們的口吻、我們的說法、我們的思辨方式得以留下？
如果我們在呼籲「不說支語」的同時，卻沒有為自己的語言建好被閱讀的條件、被學習的基礎，那麼在未來的語言模型中，我們的語言將不再被視為語言，而只是未分類的文字資料。
