[曹家榮] 從操控訊息到推假新聞，Facebook 做了什麼？|數位時代 BusinessNext

[曹家榮] 從操控訊息到推假新聞，Facebook 做了什麼？

從趨勢話題導風向的爭議開始，Facebook一波未平一波又起，8月底大刀砍掉了整個編輯團隊，宣布將完全透過演算法來向用戶推送熱門新聞。沒想到災難來得更快。透過演算法推送新聞才沒三天，用戶就收到了一則假新聞，近期又因為禁止越戰新聞照片「燒夷彈女孩」，變成新聞焦點，從操控訊息到推假新聞，Facebook到底做了什麼？

我原先以為關於 Facebook「熱門話題」的新聞已經結束了，沒想到前幾天它又上演了續章。

在人工編輯團隊的「策展」引發操縱訊息的指控後，雖然 Facebook 的內部調查宣稱「查無不法」，但8月底（也就是距內部調查近三個月後）他們仍大刀砍掉了整個編輯團隊，並宣布將完全透過演算法來向用戶推送熱門新聞。

只是沒想到災難來得更快。透過演算法推送新聞才沒三天，用戶就收到了一則關於美國福斯新聞主播因支持希拉蕊而被開除的假新聞。此外，據其他新聞報導，Facebook 不僅推送了假新聞，還推薦了一個在Twitter上的不雅視訊。

從TechCrunch的內部消息來看，Facebook 推送熱門話題的標準可能僅僅基於與新聞話題相關的文章及貼文數量。如果這是真的，那這場災難恐怕一點也不令人意外。甚至，反而令人懷疑的是 Facebook 到底有多認真看待這個功能？

更值得延伸討論的是，Facebook 做出「裁撤編輯團隊並完全以演算法來推送新聞」這個決定的背後，反映出的一些觀點與問題。

簡言之，我們也許可以合理推測，雖然三個月前的內部調查宣稱查無不法，但 Facebook 恐怕認為問題就來自於編輯團隊的「人為」。因此，既然「人」不可信，他們便決定改讓「沒有偏見」的機器來推送新聞。

但問題在於機器（演算法）真的就沒有偏見嗎？甚至更深層的問題是，如今我們真的有辦法將人與機器的關係分得那麼清楚乾淨嗎？

由「誰」來決定不是問題所在

據上述TechCrunch同一則報導指出，Facebook 在大刀裁掉整個編輯團隊時，認為自己這麼做是為了讓熱門話題涉及的面向、傾向能夠更廣。這在我看來就是暗示：過去之所以有某些傾向的新聞被遮蔽，都是因為編輯人為造成的。而 Facebook 相信，改用演算法後，就能夠解決這個問題。

然而，演算法真的沒有偏見嗎？我們很容易認為，演算法這類被與電腦、機器歸類在一起的科技物就是「工具」。進而，當這些工具在運作時，不會像人一樣帶有主觀的情感與價值判斷。

例如，最熟悉的例子應該就是「抽籤」。如果是由「人」來選擇，那我們可能都不免會猜測這一選擇背後的動機與原因。但如果是透過抽籤，我們就往往會（很神奇地）覺得比較公平。這種把工具「中性化」的想像不難理解，但卻忽略了工具可能被「嵌入」人為的意向，甚至工具本身也有其特性會導致偏向。

過去我最常提到的例子，就是由美國建築大師Robert Moses於二十世紀初紐約長島蓋的「低架橋」。這些橋不僅是運輸的工具，也是區隔階級生活空間的裝置。

演算法也是如此。作為一種以「編碼」（code）為基礎的工具，它就是讓某些（計算）行動成為可能。例如，Facebook 就是透過演算法來決定哪些新聞是「熱門話題」。但是就像橋的高低會產生關鍵影響，演算法本身編寫的過程也可能被「嵌入」設計者的偏向。

此外，由於演算法本身的特性在於計算，因此「量化」也就成了其內建的偏向。這意味著，它只能夠過各種「量」的──而非「質」的──資料來決定推送的新聞話題。這使得演算法無法像資深編輯者那般，透過內容品質來判斷是否該推送一則新聞。這幾天 Facebook 惹上的另一個麻煩也是如此，一張具有重要歷史意義的越戰新聞照片「燒夷彈女孩」被判斷為裸露照片而遭刪除。

這樣的問題其實在巨量資料的學術研究中，也造成極大困擾。也就是說，我們也許可以透過按讚、分享等數量來掌握使用者的行動，但卻無法宣稱理解了這些行動背後的意義與動機。這是科技特性的限制（偏向）使然。

因此，也許人作為編輯者總有其主觀意向與偏好，但要說演算法就是中立、客觀、無偏誤，恐怕不是醉了就是有滿滿的愛。如此一來，Facebook 裁掉大批編輯，改用演算法上工，與其說是解決問題，實際看來更像是捅出另一個大問題。

資訊時代的倫理判準？

不過，就如我剛剛說的，問題還是在於 Facebook 多認真看待這一功能？如果它只是著重於「熱門話題」的「熱門」，只是想吸引用戶的注意力的話，那似乎談什麼倫理問題也是多餘。

但如果 Facebook 確實認真將自己視為新聞傳播的重要媒介，並想要解決傳播上的偏向、甚至極化的問題的話，那麼關鍵不在於到底該由「人」還是「機器」來決定推送什麼新聞，而在於我們在這個資訊時代該採取什麼樣的倫理判準？

我在〈媒介該為我們做道德判斷嗎？〉一文中，曾經就 Facebook 操控訊息爭議事件提出相關的討論。當時，我藉由被稱為Google哲學家的Luciano Floridi的論點指出： Facebook 不應為使用者預先做道德判斷，也就是預先判斷哪些新聞話題是「好的」、值得用戶閱讀的。

當時我沒有說完的是：不為使用者預做道德判斷，不代表作為新聞傳播平台沒有任何倫理判準。進而言之，訴諸演算法「機器」的（虛假）中立性，在我看來也就完全不是一個負責的選擇。

可是，一個不預做道德判斷的倫理判準，這看起來似乎矛盾的要求是可能的嗎？也就是說，如果如Floridi所主張的，就算是不好的新聞（或搜尋結果）也不應該被移除，那麼這樣的新聞傳播背後就似乎沒有判準可言──只要是新聞就能被傳播。反過來，如果我們堅持應該「管理」被傳播的資訊，那麼也意味著預先判斷了哪些新聞是好的、值得傳播的。如此一來，一個不預做道德判斷的倫理判準真的存在嗎？

解決這一矛盾的關鍵在於，我們必須從單一的真理觀跳出來，轉而以「多元性」作為判斷的準則。

「單一」的真理觀通常是我們認識事物的方式，也就是會認為事物的對錯、好壞是固定的，而我們可能（有時則是必須）透過「共識」來進行判斷。換言之，所謂好的、對的，多半時候就等於社會多數人認為是好的、對的。然而，義大利哲學家Gianni Vattimo點出一個困境，也就是隨著現代社會越來越複雜、多元，人們之間的關係越來越超越時空地交織在一起，「共識」不僅越來越不可能，尋求共識本身可能也成了另一種隱性壓迫的來源。他因此主張，如今「多元性」可能更適合作為我們判斷事物的準則。

多元性作為一種判準的意思，並不是相對主義式的「都可以」。如果是後者，其實是變成沒有任何標準，而其導向的不是各說各話就是「看誰聲音（或拳頭）大」。Vattimo主張，之所以將「多元性」設定為判斷事物的準則，就是要抵抗任何違反多元性的主張或行動。

回過頭來，以「多元性」為判準，一個傳播新聞資訊的平台就能夠檢視自身所傳遞的訊息到底是堅持讓多元發聲，還是以「都是新聞」為名行侵犯與壓迫之實。而無論是誰（人或機器）來檢視，Facebook （或所有新聞傳播平台）該思考的是如何實踐此一多元性判準。

#####《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長800至1000字，兩天內會回覆是否採用，文章會經編輯潤飾，如需改標會與您討論。

把老師傅經驗交給 AI，射出成型從「導航」走向「自駕」

「餐廳沒有廚師是不行的。有再好的設備，不會做的人還是會把它做失敗。」張詠翔如此比喻射出成型的技術門檻。當模具完成後，生產現場仍得依產品、材料與機台特性，調整溫度、速度、壓力、位置等條件；即使使用同一種塑料，不同產品的調整方式也可能完全不同。

而老師傅的珍貴之處，不只是記住參數，而是知道面對材料、機台與環境變化時如何修正。智穎智能要做的，就是把這些難以傳承的「火候」拆解成可以運算的製程邏輯。目前其 AI 解決方案已應用於超過 200 種材料、50 多種產品類型。

把老師傅的經驗轉化為製程邏輯後，第一步就是讓 AI 協助操作人員找到合適的成型條件。智穎智能為此開發智能成型導引系統，工廠只要輸入材料、機台規格、產品尺寸等資訊，sMolding 便能計算第一組成型參數；若試模後出現產品缺陷，再由 sTroubleshooting 提供修正建議。

「它就像導航。我今天告訴你要從 A 點到 B 點，但不知道路怎麼走，導航會把路徑算給你。」張詠翔說。對射出成型而言，這條「路徑」就是溫度、速度、壓力與位置等參數如何組合。以半導體載具試模為例，傳統方式需 7.5 小時，導入系統後縮短至 2 小時，材料使用量從 23 公斤降至 8.7 公斤，整體試模成本降低 64%。

但找到正確參數只是第一步，真正進入量產後，工廠面對的「路況」還會持續改變。溫溼度、材料批次與機台耗損，都可能讓原本設定好的製程條件產生偏移。智穎智能因此進一步開發 StabMolding 成型穩定模組，透過射出壓力數據持續監控品質，並依生產狀態自動補償關鍵參數。換言之，AI 不只在試模階段提供一條正確的「導航路徑」，進入量產後還能因應製程變化持續修正，進一步朝「自駕」邁進。

從產線驗證到海外布局，桃園如何助攻智穎智能跨過0到1？

但要讓 AI 真正走進工廠，智穎智能採取 SaaS 訂閱模式，將核心運算留在雲端持續學習與更新，降低中小型製造商一次投入大量資金的門檻。另一項差異則是「跨廠牌」。現實中的射出工廠往往同時擁有台灣、日本、歐洲不同品牌與年份的設備，因此智穎智能的方案既能導入既有設備，也能與射出機、控制器業者合作，在新機出廠時直接整合。「一個工廠不會只有一個廠牌，就像你家的車庫不會永遠只放同一品牌的車。」張詠翔說。

對智穎智能而言，AI 真正走進製造現場的關鍵，在於不同世代、不同品牌的設備都能導入。只是對工業 AI 而言，降低導入門檻還不夠，更關鍵的是能否取得真實產線反覆驗證。對從中原大學研究成果衍生創立的智穎智能而言，桃園不只是公司所在地，也提供了技術走向市場的第一塊試驗場。「對新創來說，第一個就是要經費、要人才、要場域，再來就是客戶與合作夥伴資源。」張詠翔說。

成立初期，團隊透過桃園市政府研發補助、新創競賽與基地進駐等資源，降低早期研發與營運負擔。更重要的是，桃園密集的製造業聚落，本身就是智穎智能最直接的潛在市場。透過市府串聯工業區與在地企業，智穎智能在創業初期接觸到位於桃園的「良器」，成為公司第一個客戶。從概念驗證、產品調整到實際導入，合作一路延續至今。對必須進入產線反覆驗證才能成熟的工業 AI 而言，第一個願意開放場域的客戶，意義遠超過第一筆營收。

如今，從桃園製造現場磨出的解決方案也開始往海外走。「日本這一次，完完全全都是桃園市政府帶著我們去做這件事情。」張詠翔表示，透過市府帶領團隊前往日本神戶，智穎智能接觸當地官方與企業資源。在市府引薦下，團隊成功對接了神戶知名加速器，更取得日方針對外資新創設立公司與拓展市場的兩階段實質補助資訊。目前團隊正籌備日本布局，為下一階段海外市場拓展做準備。

AI 解決「怎麼生產」後，下一步是「替誰生產」

當 AI 開始解決「怎麼生產」，張詠翔看到的下一個問題，是「替誰生產」。部分製造商提高生產效率後反過來問他，如果我的產能多了 20%，但沒有多 20% 的訂單，我何必要做那麼快？

這個問題催生了智穎智能下一階段的製造媒合平台構想。隨著供應鏈分散至不同國家，品牌要在海外重新尋找符合特定規範與製程能力的供應商，也愈來愈困難。團隊因此希望串聯既有使用 AI 方案的製造商，讓品牌端能依條件尋找供應商，也讓製造端的閒置產能有機會被看見。團隊預計 2027 年上半年推進平台服務，初期規劃串聯超過 200 家製造商與破千台機器。

從中原大學的研究，到桃園工廠提供第一個實際驗證場域；從把老師傅經驗變成 AI「導航」，再走向能自行修正製程的「自駕」，智穎智能試圖數位化的，是製造業最難被保存的資產：人的經驗。而當全球供應鏈持續移動、製造基地愈來愈分散，這套從桃園工廠磨出的 AI，下一步不只要替老師傅找到數位接班人，也要重新連結散落全球的製造能力。
而「Meet 桃園+」也期盼持續透過計畫的媒體報導與宣傳資源，將更多像智穎智能這樣扎根在地、走出海外的創業故事傳遞出去，讓外界看見桃園豐沛且具實戰力的創新動能。