杜絕恐怖主義內容流竄，Google靠機器學習辨識YouTube影音|數位時代 BusinessNext

杜絕恐怖主義內容流竄，Google靠機器學習辨識YouTube影音

Google現在正利用機器學習辨識YouTube中出現的恐怖主義與暴力極端主義等內容。這個人工智慧機制的引進，不僅牽涉到國家安全等政治外交層面，也和Google廣告商業模式息息相關。

成效：在使用者檢舉前就先下架

Google三月爆發AT&T、可口可樂、百事可樂、沃爾瑪、星巴克與GM等上百個大品牌撤銷YouTube和Google廣告聯播網廣告事件。原因在於這些公司的廣告內容出現在YouTube中的恐怖主義與暴力極端主義內容中，讓閱聽眾將兩者連結起來，影響品牌形象。

而YouTube的這項「漏洞」也成為一些新創的切入點，這些新創強調可以客製化地把廣告和合適的影音內容相連結，因此不會和恐怖主義與暴力極端主義的內容一起出現。

如台灣創意引晴就研發的影音內容辨識系統，不僅提供「人物」辨識，也提供手機與轎車「物件」，以及公園等「場景」等影像辨識服務。讓廣告主可「事先」知道該公司廣告會出現在什麼畫面上，避免因為「盲投」出現危機。

不過，現在Google正努力解決這個問題。Google開始應用機器學習技術識別暴力極端主義相關內容，YouTube小組審核了超過100萬部影片，希望能夠透過為系統提供大量的訓練實例，讓機器學習的應用效益達到最佳化。

Google最新提供的數據指出，直至今年九月的數據顯示，在因為含有暴力極端主義內容而強制下架的違規影片中，有超過八成的影片是在使用者提出檢舉前，而且跟八月相比，提升了8%，成效有明顯的成長。

教導機器辨識人類「行為」挑戰性大

這和現在已經應用在iphone X的人臉辨識系統差異很大。人臉辨識是針對人類臉孔，而針對恐怖主義內容，除了物品也需要針對人類的「行為」辨識。

而Google研究團隊目前正利用原子視覺化動作數據學習模式（Atomic Visual Actions,AVA），辨識人類的走路、爬山、說話與跳舞等行為內容。這牽涉到人類本身行為的姿態、人與人、人與物等三大「行為」分類。

更具挑戰的，是影片內容會受背景與語言字幕等不同脈絡有不同涵義，就像我們的語言文字。

像是一段恐怖攻擊事件的真實影片若是由BBC平台傳送，可能是對此行為的一個譴責性新聞報導，但若是被不同的平台，配上不同的前後脈絡，則可能轉變為對恐怖攻擊的讚揚。

人工專家審查仍至關重要

Google無法只等待人工智慧技術的進步，嚇阻恐怖主義影音內容散播，必須要短時間內就能有效的解決方案。因此雖然Google大喊AI First，但引入機器學習並不代表短期內機器將大量取代人工的內容審查，人類專家仍然具有重要角色。

這點我們可以從，Google合作的外部審查專業機構，將從63家再增加50家，將近一倍的數量增加看出端倪。

Google在部落格中也指出，「機器可以幫助識別有問題的視頻，但『人類專家』仍然在關於暴力宣傳與宗教或新聞價值的言論之間的細微決定中發揮作用。」

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。