用英語或普通話向任何主流 AI 模型提問，它多半都能流利而細膩地作答。但如果你改用粵語發問，問題就開始浮現。這個差距正是名為 香港初創公司 Votee AI 想要彌補的地方——他們正在打造一個粵語 AI 模型，期望以這種被大型 AI 實驗室大多忽視的語言，服務銀行、大學以及政府部門。
Summary
重點摘要
- 多數領先的 AI 模型（由 OpenAI、Anthropic、DeepSeek、月之暗面、Z.ai 等公司開發）主要以英語和普通話訓練，因為這些公司大多設於美國或中國內地。
- 全球有超過8,000 萬人使用粵語，但與普通話相比，粵語的標準化數位文本資源少得多，使其成為 AI 訓練教科書式的「低資源語言」。
- Votee AI 以 Meta 的 Llama 等開放權重模型為基礎，使用粵語數據重新訓練，透過網路爬取、社群資源與合成數據，將訓練語料庫從 1 億擴充到超過5 億個 token。
- 其最終模型約有700 億個參數，比前沿系統小，使用 5 億到 10 億個 token 訓練的成本約為25 萬美元，只需英語模型訓練成本的一小部分。
- 公司將自身定位為更廣泛「主權 AI」浪潮的一部分，並正與 AI Singapore 洽談，計畫擴展至東南亞。
AI 對英語與普通話的偏重讓粵語被拋在後面
當前的 AI 熱潮幾乎完全建立在兩種語言之上。Votee AI 執行長丁柏燊（Pak-Sun Ting）指出，「整個 AI 革命都是在英語和普通話中發生」，「只有極小一部分代表其他語言」。這種失衡並非偶然。領先業界的公司——OpenAI、Anthropic、DeepSeek、月之暗面、Z.ai 等——幾乎都總部設在美國或中國內地，因此它們的旗艦模型在開發者的母語中表現最強也就不足為奇。
這讓數十種廣泛使用的語言，以及更多的區域方言，在 AI 能力上遠遠落後。粵語就是一個鮮明例子，顯示即便是每天有數千萬人使用的語言，其與主流 AI 之間仍可能存在多大的差距。
為什麼粵語在語言層面與普通話大不相同
粵語常被描述為中文的一種「方言」，但這個標籤低估了它的獨特性。粵語在語法上與普通話不同，也有自己的詞彙，而在香港，說話者經常在同一句話中混用英語與粵語詞語。全球有超過8,000 萬人使用粵語，數量大致與韓語使用者相當，並且多於使用義大利語或泰語的人口。
儘管規模如此龐大，粵語產生的標準化書面文本量卻遠不及普通話或英語。由九州大學與香港教育大學聯同本地 AI 社群 hon9kon9ize 共同開發、並由 Votee 贊助的 HKCanto-Eval 等基準測試發現，主流 AI 模型在處理日常粵語時表現尚可，但在文化與本地知識方面卻經常跌跤。正如丁柏燊所說，粵語「被用於教育、醫療和警務通訊」，因此當 AI 無法妥善支援時，「AI 基本上就派不上用場」。
深入解析 Votee AI 打造粵語 AI 模型的方法
Votee 並非從零開始訓練模型，而是選擇以現有的開放權重系統（如 Meta 的 Llama 或阿里巴巴的 Qwen）為基礎，並在大量粵語數據上進行深度再訓練。丁柏燊將這個過程形容為「本質上就像從頭訓練一個模型」，只是建立在他人已打好的基礎之上。這些重新訓練的系統隨後會出售給銀行、大學和政府部門，為其提供能以粵語工作、而非預設使用普通話或英語的 AI 工具。
從廣播機構與合成數據集中蒐集資料
要為一個低資源語言的 AI 專案建立可用語料庫，就必須從各種可能的來源東拼西湊。Votee 透過網路爬取獲取粵語文本，包括來自香港公共廣播機構香港電台的內容。公司再輔以大學、廣泛社群，以及其早年作為大數據公司時期的資料庫。當真實世界文本不足時，Votee 會自行生成粵語合成數據集來填補空缺。綜合這些努力，公司粵語語料庫從 1 億個 token 提升到超過5 億個 token。
與前沿實驗室相比的模型規模與訓練成本
Votee 最終的模型約有700 億個參數，明顯小於頂尖實驗室的領先系統。即便如此，丁柏燊表示，這些模型已足以理解並以粵語進行推理，滿足客戶在實際應用上的需求。經濟帳本身也說明了一切：Votee 使用 5 億到 10 億個 token 來訓練模型，估計成本約為25 萬美元。相比之下，前沿英語模型則是在數兆個 token 上訓練，成本高出許多個數量級。正是這種價格差距，使得規模較小、目標明確的粵語 AI 模型即便對一家初創公司而言，也能在商業上可行，而不必是科技巨頭才玩得起。
這種成本結構的重要性不僅限於 Votee 本身。它顯示，要服務低資源語言的 AI 市場，並不需要向前沿實驗室那樣砸下數十億資金——所需的是一個可行的開放權重基礎模型、一條穩健的數據管線，以及少量的運算資源。對其他正觀望粵語 AI 發展走向的弱勢語言社群而言，這是一個具有指標意義的訊號。
主權 AI 與向東南亞的擴張
Votee 的工作屬於更廣泛的一股潮流，即所謂的主權 AI：政府與企業希望掌握自己的數據、模型與基礎設施，而不是完全依賴海外供應商。「AI 已經變成如此關鍵的需求，所以你不會想要被任何人牽制，讓對方有關掉你系統的權力。」丁柏燊說。
即便是部分擁有，也要掌握技術堆疊
丁柏燊坦言，要實現最完整版本的主權 AI——即一個國家掌控 AI 供應鏈的每一個環節——在實務上「非常困難」。他認為較為務實的做法，是各國將重點放在同時擁有底層基礎模型，以及在其上構建的軟體解決方案。他也指出，政府在自動化特定任務時，很少需要前沿級別的算力——即便只有 10 億個參數的模型，也足以應付較窄的政府應用場景；或者可以用一個較小的本地語言層，來轉接大型英語或中文模型的輸出。
硬體合作夥伴與未來動向
Votee 並不侷限於單一生態系統。丁柏燊表示，公司會使用 MiniMax 和商湯的模型，也能在 Nvidia 晶片上運行。「我們可以用 Nvidia 晶片，也可以用月之暗面或 DeepSeek 的模型。」他說，「我們就像高中裡那個跟每個人都是朋友的人。」Votee 表示自己已達到營收高於成本的「盈利」狀態，主要透過客戶合約獲得資金，並邀得以開發香港蘭桂坊夜生活區聞名的香港富商盛智文（Allan Zeman）擔任顧問。
公司的野心如今已超越香港。丁柏燊表示，Votee 正與 AI Singapore 積極洽談，計畫進一步擴展至東南亞。他也著眼於更長遠的目標：利用 AI 協助保護包括東亞、北美和非洲在內地區的瀕危語言。丁柏燊以相當嚴峻的語氣描述這場角力，稱英語主導的 AI 是一個「打字機時刻」——生產力提升之大，足以讓人們為了跟上步伐而放棄自己的語言。「人們會採用英語，只因為打字機帶來的生產力，相較於他們自己的語言實在太強。」他說。一個擁有 700 億參數的粵語 AI 模型，能否真正抵消這股拉力仍是未知數，但對他而言，動機遠不止市場佔有率。「每死去一種語言，你就失去了一種看待世界的方式。」他說。
常見問題
為什麼 Votee AI 專注於以粵語開發 AI 模型？
因為粵語有超過 8,000 萬使用者，與普通話有明顯差異，卻在 AI 領域長期被忽視，這會影響教育與醫療等需要精準本地語言工具的關鍵領域。
Votee AI 如何打造其粵語 AI 模型？
Votee AI 以 Meta 等開發者的開放權重模型為基礎，使用透過網路爬取、社群資源、大學與合成數據收集而來的粵語資料重新訓練，將語料庫從 1 億擴充到超過 5 億個 token。
什麼是主權 AI，Votee AI 與其有何關聯？
主權 AI 指的是政府與企業擁有自己的 AI 數據、模型與基礎設施，而非完全依賴外國供應商。Votee AI 透過為粵語在地化 AI 模型，並與本地及全球的硬體與模型供應商合作，來支持這一理念。
Votee AI 在區域擴張方面有何計畫？
Votee AI 正與 AI Singapore 積極洽談，計畫擴展至東南亞，同時也在探索如何利用 AI 協助保護世界其他地區的瀕危語言。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”為什麼 Votee AI 專注於以粵語開發 AI 模型？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”因為粵語有超過 8,000 萬使用者，與普通話有明顯差異，卻在 AI 領域長期被忽視，這會影響教育與醫療等需要精準本地語言工具的關鍵領域。”}},{“@type”:”Question”,”name”:”Votee AI 如何打造其粵語 AI 模型？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Votee AI 以 Meta 等開發者的開放權重模型為基礎，使用透過網路爬取、社群資源、大學與合成數據收集而來的粵語資料重新訓練，將語料庫從 1 億擴充到超過 5 億個 token。”}},{“@type”:”Question”,”name”:”什麼是主權 AI，Votee AI 與其有何關聯？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”主權 AI 指的是政府與企業擁有自己的 AI 數據、模型與基礎設施，而非完全依賴外國供應商。Votee AI 透過為粵語在地化 AI 模型，並與本地及全球的硬體與模型供應商合作，來支持這一理念。”}},{“@type”:”Question”,”name”:”Votee AI 在區域擴張方面有何計畫？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Votee AI 正與 AI Singapore 積極洽談，計畫擴展至東南亞，同時也在探索如何利用 AI 協助保護世界其他地區的瀕危語言。”}}]}
本文在人工智慧協助下撰寫，並經編輯團隊審閱。
