越來越多人使用AI，因此可以預測，它也必然會成為國家角力的資訊戰場。AI的重要組成是資料（Data），它獲得什麼資料，就會用這些資料回答。因此，如果有人在上游刻意製造虛假訊息讓AI抓取，經由看似中立的AI輸出，這樣假消息不但會進一步擴散，也可以「洗白」它的消息來源。
越來越多人使用AI，因此可以預測，它也必然會成為國家角力的資訊戰場。AI的重要組成是資料（Data），它獲得什麼資料，就會用這些資料回答。因此，如果有人在上游刻意製造虛假訊息讓AI抓取，經由看似中立的AI輸出，這樣假消息不但會進一步擴散，也可以「洗白」它的消息來源。
今年3月，美國智庫保衛民主基金會（FDD）發表一篇由影響力總監暨AI研究員莉亞·希斯金（Leah Siskind）撰寫的文章〈AI放大的敘事：測量大型語言模型引用的宣傳內容〉（AI-Amplified Narratives: Measuring Propaganda in LLM Citations），就提到一個例子。俄羅斯「真理網路」（Pravda Network）匯集了大量欺詐性新聞網站，專門將俄羅斯政府控制的新聞，包裝成看似來自獨立媒體的內容加以散布。
文章引用大西洋理事會研究員Valentin Châtelet的說法：「真理網路的功能就像一台資訊洗白機，將源自俄羅斯官方媒體和親克里姆林宮Telegram頻道的說辭，不斷放大並大量充斥新聞週期之中。」作者認為，這是國家宣傳操作中最明目張膽的案例之一。
而在去年，致力反制虛假消息的「美國陽光計畫」（ASP），則指出另一個值得警惕的可能：「真理網路」那些設計粗糙的網站，顯然並非供給人類讀者。它的目標可能不是吸引真人閱讀，而是讓內容進入大型語言模型的訓練資料之中。
ASP估計，「真理網路」每年可產生300萬篇親俄宣傳文章。
即使並非蓄意餵養大型語言模型，但是AI抓取資料的特性，會使它們更容易獲得由國家掌控的官方媒體散播的宣傳新聞。因此，希斯金認為，隨著對AI工具的依賴日益加深，引用這些宣傳內容已成為一種國家安全威脅。
〈AI放大的敘事〉一文是基於FDD網路與技術創新中心（CCTI）去年的研究成果。他們2025年10至11月間，就3場國際衝突，分別是以色列與哈馬斯、烏克蘭與俄羅斯、台灣與中國，向AI平台ChatGPT、Claude與Gemini，提出約180個問題，測試他們在回答有爭議的國際衝突問題時，會引導用戶使用哪些資料來源。
結果，與國家立場一致的宣傳內容出現在57%的回答中。主要來源包括半島電視台、俄羅斯《真理報》、土耳其安納杜魯新聞社與中共宣傳部的英文媒體《中國日報China Daily》。即使問題措辭被設計成對美國的對手較不友善，AI的回答仍然引用這些國家立場媒體。
甚至在回應明確偏向以色列的問題時，大型語言模型仍頻繁引用半島電視台的內容。這反映了半島電視台在讓自家內容更易於被AI引用的策略，也就是「生成引擎優化」（Generative Engine Optimization）方面的成功。
希斯金認為，國家立場媒體盛行的原因顯而易見。AI訓練依賴具有高發布量、廣泛覆蓋面與易取得性的媒體，而這些恰恰是具影響力的國家宣傳媒體的特徵。美國及其他民主國家的優質報紙通常設有付費牆或屏蔽AI爬蟲（AI crawlers）。相比之下，來自卡達、俄羅斯、土耳其與中國的官方媒體內容則自由流通。
希斯金也指出，目前AI識讀工作，仍在識別那些似是而非但不正確的「幻覺」，但未來應該對大型語言模型資料來源，進行批判性評估。
如果說，美國陽光計畫與保衛民主基金會，各有其政治立場，但今年5月，學術期刊《自然》（Nature）發表的論文〈國家媒體控制如何影響大型語言模型〉（State media control influences large language models），也產生近似結論。
包含奧勒岡大學、普渡大學、加州大學聖地牙哥分校、紐約大學、普林斯頓大學等校的研究團隊，在一項涵蓋37個國家的6項連結研究中發現，如果你在一個管控媒體程度較高的國家，用該國語言詢問AI對該國政府與機構的描述時，會獲得比用英文詢問更正面的答覆。
比如，以中文提問有關中國政府的問題，會比以英文提問，產生更親政府的回答。
這些研究想要表明的是，由國家控制的媒體內容，如何在AI訓練中，影響語言模型對政治問題的回答，尤其是在該國的語言環境中最為顯著。
原因之一是，政府可以透過塑造網路媒體環境，進而影響這些系統學習的文本，間接影響大型語言模型。
「國家塑造資訊環境，資訊環境塑造訓練資料，訓練資料塑造模型輸出。」因此，加州大學聖地牙哥分校政治學教授Margaret E. Roberts認為，未來大型語言模型會為有能力影響資訊環境的人提供誘因，使他們有動機去思考如何在網路上散布文本。
奧勒岡大學社會學助理教授Hannah Waight說，人們常常談論AI，彷彿它是以某種中立的方式從網路上學習，但事實並非如此。它學習的是已經被機構與權力塑造過的資訊環境，而這些環境會在模型的回答中留下可測量的痕跡。
也因此，紐約大學學者Joshua Tucker指出，公眾辯論一直聚焦於AI能生成什麼，但這項研究指向了更上游的問題。在AI系統影響政治之前，政治已經在影響AI。
為了追蹤這種制度性影響如何滲透訓練過程，研究人員首先證明中國官媒在真實訓練資料中出現的頻率相當高。
研究人員將兩個中國官媒來源，與源自Common Crawl的開源多語言資料集進行比對，發現超過310萬份中文文件與官媒存在大量措辭重疊，約占該資料集中文內容的1.64%。這一比例是中文維基百科的40倍以上。在提到中國政治領袖或機構的文件中，這一比例最高達23%。在措辭重疊的文件中，只有12%來自已知的政府或新聞網域，這意味著官媒內容在進入AI訓練語料庫之前，已廣泛擴散至整個網路。
更值得警醒的是，研究人員發現，商業模型記住了與這些材料相關的特定措辭，顯示這些內容在訓練過程中被模型反覆看到。
「中國官媒內容不只是出現在官方媒體，它還關乎再流通。」普林斯頓大學社會學副教授Brandon M. Stewart說，同樣的措辭經過報紙、APP（如微信公眾號）、貼文轉發和普通網頁，最後它看起來就像廣大資訊環境的一部分。一旦官媒內容進入訓練資料，模型就能將其洗白成看似中立、客觀的資訊。
還可以思考的一個問題是，官方媒體宣傳內容，除了容易取得外，它格式固定、重複性高的語言特性，是否與大型語言模型的訓練邏輯契合？因此，官方宣傳內容進入大型語言模型之後，是否更容易普及與被接受？
今年3月，《認知科學趨勢》有一篇由南加大三位學者合寫的文章〈大型語言模型對人類表達與思維的同質化效應〉（The homogenizing effect of large language models on human expression and thought）。
研究指出，透過反映多數常見的主流模式，大型語言模型促進了風格與概念上的同質化，同時壓制了非主流聲音。隨著大型語言模型在各領域的普及，以及對人們溝通方式的塑造，研究發現它們正在影響並同質化人們的語言、觀點與推理方式。這種同質化不僅源於訓練語料庫的偏差，也透過訓練過程本身得到放大，它偏好頻率高、易於概括的模式，同時抹除少數群體的表達。
更可怕的是，這會形成不斷加深的循環。隨著越來越多人使用大型語言模型，語言模型輸出的內容，會被吸收進人類的話語中，開始塑造用戶自身的表達與推理，進而再度成為用來訓練模型的資料，將同質化從被動的偏見，轉化為結構性強化的影響。
當AI平台大量使用中國官媒宣傳內容或是中國語料時，在中國與台灣的問題上，非常可能影響使用者的認知。因此，2025年底數位發展部宣布「臺灣主權AI訓練語料庫」正式上線，讓大型語言模型不會只取用簡體中文資料，而缺失台灣用語與觀點。但這應該還只是開始，除了中文數量必須增加外，還需考慮增加不同語言的語料和數量，像是英文，因為畢竟不是所有人都是使用中文的，而未來的AI資訊戰場，應該是包含全世界。
相關文章
