財評| GAP框架延伸（上）：中文語義壓縮與訓練語料的比較優勢

撰文：譚善恆
（華坊諮詢評估董事、谷歌人工智能認證專業人員）

筆者此前提出GAP框架（Gross AI-powered Productivity=L×C×M×I），透過四因子相乘，量度一個經濟體的整體AI賦能生產力，並指出跨主權AI互補，宜理解為四因子比例結構的對齊程度。本篇嘗試延伸框架中的M因子（自主大模型能力），從語言學角度探討：中文獨有的結構特性，是否能讓本土原生中文AI模型，在比較優勢理論下具備獨特的戰略定位？

比較優勢論的語言版本

英國經濟學家David Ricardo提出的比較優勢論可作為分析框架：即使一方在所有領域皆有絕對優勢，雙方仍應各自聚焦相對優勢最大的領域，以交換代替競爭，實現雙贏。將此套邏輯套用至中美AI語言格局：英文主導的大型語言模型Large Language Model（LLM）在英文語素處理與英文語料規模上具既有優勢；而原生中文LLM在中文語言結構的處理效率、語料質量管理方面，存在另一套結構性優勢。兩者並非在同一語言維度分出高下，而是比較優勢分工的基礎。

詞元壓縮與算力效率的理論關聯

LLM的運算單位是詞元（token）。中文屬表意文字，每個字符本身攜帶語義；英文屬表音文字，需由字母串組成詞彙，方具完整意思。研究顯示，英文文本中的每個token平均承載約4.75個字符，中文文本僅承載約1.33個字符。若承載相同語義內容，中文字符具較高語義密度；而實際詞元效率則高度取決於tokenizer設計與模型架構，不同模型之間的表現差異甚大。

詞元數量直接影響推理成本：self-attention機制的計算量會按token數呈平方級別增長。在其他條件不變下，較短詞元序列一般有助降低推理計算量與能耗需求。個別模型測試數據顯示，非英語語境下存在詞元用量下降的現象，但該結果高度依賴模型架構與tokenizer設計，目前尚未形成一致結論。「中文詞元壓縮→推理能耗節省」這條因果鏈，目前仍屬工程推論，有待進行系統性量化驗證；但以現有技術文獻的邏輯推演，假設的自洽性已足以支撐政策層面的研究投入。

英文LLM語域分層不足，特顯中文LLM結構性優勢

除語義壓縮帶來的優勢以外，更根本的問題在於英文主導LLM的中文訓練語料質量短板。中文語域結構比英文複雜，而英文主導的LLM缺乏對中文語域分層（Register Stratification）的系統性訓練能力。反觀中文原生模型，理論上更容易建立符合中文語域分層的訓練機制：訓練語料由具母語語感的團隊主導篩選，語域分層更為精準，語義污染的清除機制更貼近中文使用者的實際表達結構。這不是算力可以彌補的差距，而是語言文化的結構性優勢。

上述兩個層面，僅屬中文AI建立比較優勢的語言結構基礎。下篇將進一步探討語言人口與學術產出的規模基礎，以及中文AI模型如何成為觸發生態飛輪的引擎。

（題為編者所擬。文章為作者之個人意見，不代表本報立場）