採訪／吳俊毅 圖／台灣人工智慧實驗室、達志影像
從PTT鄉民口中的「創世神」，到微軟AI團隊的核心大將，再到被賦予重任的「AI國家隊」掌舵者，台灣人工智慧實驗室(Taiwan AI Labs) 創辦人杜奕瑾的每一個身分，都擁有極其鮮明的個人品牌與社會影響力。
但他回顧近30年的職涯，卻給出一個令人意外的答案：「我從來沒有主動找過工作，甚至連創業都不是我主動的。我只是想解決眼前的問題，機會自然會找上門。」回顧杜奕瑾的職涯，不像是激情與速度的F1賽道，更像一場由「好奇心」與「解決問題」。
杜奕瑾的三站職涯修煉
自由、責任與風險治理
職涯首站PTT 去中心化民主實驗
回顧杜奕瑾職涯的起點，像是一場在PTT「去中心化」的民主實驗。在1995年，面對台大官方BBS站「椰林風情」的管理權受限，他與同學們繞過體制，以「學生社團」的名義成立了PTT。這是杜奕瑾「去中心化」思想的首次實踐。他們選擇「開源」(Open Source)，把BBS平台變成全民共創的場域，催生出台灣BBS文化中極具代表性的「使用者自治」。「使用者可以選舉版主、站長，甚至罷免他們，」杜奕瑾解釋，「這套由下而上的治理模式，至今仍與由演算法統治的主流社群媒體形成鮮明對比。」
職涯第二站 美國NIH重視數據倫理
第二站，杜奕瑾踏入了美國國家衛生研究院(National Institutes of Health, NIH)，學會對數據「負責」。他形容這是一次由愛情引導的美麗意外，因為協助當時還是女友的妻子處理生物統計程式，讓他一腳踏入了「生物資訊學」的領域。
這個無心插柳的舉動，恰好對接上2001 年人類基因組計畫完成後，NIH 急需擁有數據分析的跨界人才。2003 年，憑藉著PTT 的資料處理經驗，他順利加入NIH。在醫療領域的工作讓他體認到，醫療生物資訊對資料隱私和嚴謹度的要求遠高於一般網路公開資料。因此，這次跨界讓杜奕瑾在NIH 意識到醫療資料的「嚴謹性」與「生物倫理」。對他來說，數據不再僅是資訊，更牽涉到責任、隱私與信任。
如果說PTT 讓他學會如何建立一個「自由」的平台，NIH 的歷練則讓他理解如何建立一個「負責任」的平台，這份對數據倫理的敬畏，成為他日後倡議「可信任AI」的倫理基石。
職涯第三站 Microsoft實戰風險管理
2006年，Microsoft為追趕Google而打造Bing 搜尋引擎，杜奕瑾被Microsoft 延攬加入。身處科技與商業競爭最前線的他，很快意識到模仿沒有出路，必須思考「搜尋的下一步」。答案指向了當時被稱為「Agent」的生成式AI。他成為語音助理「Cortana」的研發總監，並走在大型語言模型(Large Language Model, LLM) 研發的最前端。
杜奕瑾在Microsoft 感受最深刻的就是「風險管理」，當初Microsoft 的策略是將搜尋和對話引擎作為雲端服務(Cognitive Services) 提供給其他公司，成為「白牌平台」，而非僅是自營產品。因此當時百度(Baidu) 的英文搜尋、蘋果Siri的部分搜尋結果、Yahoo奇摩的搜尋，其實都由Microsoft的技術驅動，讓杜奕瑾感受到背後「平台的強大」。
另外在2015年，Microsoft的聊天機器人「Tay」上市發布的第一天，就因學習到網友的不當言論，才上架一天即為緊急下架，這讓杜奕瑾深深感受到以大公司名義發布不受控的LLM，風險難以承受。AI 如同核能，若無嚴格的倫理框架與安全限制，其風險與破壞力將難以估量。
這三站職涯的歷練，從自由、責任到風險治理，層層疊加杜奕瑾對AI的全貌理解，同時也鋪陳他「歸鄉創立Taiwan AI Labs」的理想—— 不是為了創業，而是為了解決問題，從台灣開始，實踐一種「可信任」的科技願景。
從中美AI主流中 「聯邦式學習」走出 AI逆境
走出第三條AI道路
全球AI 局勢分析
歷經20多年、三大職涯戰場的淬鍊，杜奕瑾分析當今全球AI發展分為兩大主流：
美國「巨型科技公司」(Big Tech)
將全世界的資料吸納到自己的雲端，最終形成資料壟斷，形同「數位殖民」。
中國的「巨型政府」(Big Government)
由國家力量扶植科技巨頭，以國家的名義蒐集資料，所有的資料都是屬於國家的。
杜奕瑾力推「聯邦式學習」，其核心精神就是要將AI的權力從雲端巨頭手中，分散到終端企業與個人的手上。他強調，單一平台的權力過於集中，就容易被濫用或被控制。這也是杜奕瑾希望台灣善用自身價值，走出AI的第三條路。
傳統AI要求使用者「交出資料」上傳至雲端，由平台為使用者建立並訓練模型，聯邦式AI則是反其道而行，其核心精神是「資料不動，模型動」，可以解決科技壟斷和隱私外洩的困境。
杜奕瑾用一個生動的比喻解釋：「傳統AI，就好比你必須『交出』祕密食譜，讓中央廚房為你做菜；而「聯邦式AI」則是派一名『AI學徒』，到你家廚房學習獨門手藝，待學成後，這個AI廚師將完全屬於你，技藝也絕不會外流。」
|
「聯邦式學習」走出 AI 逆境 Q 對台灣來說，面對這樣的情勢，AI科技隱藏著巨大的風險，是否能從中美霸權中走出第三條路？ A 去中心化的聯邦式學習 杜奕瑾認為透過「聯邦式學習」(Federated Learning) 的技術，在不將資料集中的前提下，讓各方協同訓練模型，從而兼顧AI發展與數據隱私，這項「去中心化」的技術路線，與台灣強大的硬體製造實力不謀而合。 |
產業界「聯邦式AI」的應用
台灣人工實驗室提供基礎模型與工具，就像一位「AI特派員」，被派遣到各個企業或終端裝置（如醫院伺服器、個人電腦）上，利用「在地」的私有資料進行客製化訓練。訓練過程中，敏感的原始資料完全不會離開原端系統，只會將學習到的「經驗」與「參數」（非原始資料本身）加密後回傳，再由中央模型進行整合優化。在台灣人工智慧實驗室推動下，「聯邦式AI」逐漸跨足台灣各產業：
- 醫療領域：AI模型在各家醫院學習專業醫師的判讀經驗，病人個資儲存在院內，不須擔心個資外洩。
- 金融業：企業用內部資料訓練出專屬的「防詐騙AI」，商業機密安全無虞。
- 在文創產業：音樂人可用自己的聲音，訓練出專屬的AI歌聲，版權完全屬於自己，不必擔心被平台剝削。
杜奕瑾強調並不是要訓練一個無所不知的全能模型，而是為各行各業培養出無數個值得信賴、安全可控、且「不會亂講話」的AI專家，這是一條更符合人權、更尊重隱私，也更適合台灣多元產業生態的AI發展路徑。
【本文未完，更多精彩內容請見《能力雜誌》2025年8月號，非經同意不得轉載、刊登】