「新加坡行，為何台灣不行？」這個新聞，在台灣肯定會引發這樣的發問。
「來自中國的AI大模型，新加坡怎麼敢用？這沒有國安隱憂嗎？」這是另一類常見質疑。再進一步問：台灣是南島語系的源頭，有來自東南亞的大量移工，少子化的未來也有可能引入大量來自印度、東南亞的移民，台灣政府是否可以拿台灣通行的各種語言，從頭訓練一個大語言模型？
2025 年 11 月 24 日，新加坡國家人工智慧計畫（AI Singapore, AISG）在一則低調卻分量十足的公告裡，宣佈了一次「換心手術」：
最新一代國家級大型語言模型 SEA‑LION v4，正式改用阿里巴巴通義千問 Qwen3‑32B 作為基礎模型，版本名就叫 Qwen‑SEA‑LION‑v4。Computer Weekly+1
在這個地處美中之間的小國，這不是單純的技術選型，而是牽動「主權 AI」、區域語言命運與產業生態的一次大轉彎。更有意思的是，這個選擇也正在被其他東南亞國家，用各自的方式「接力」。
下面我們就用一個故事的方式，從新加坡的國家級 LLM（大型語言模型），講到整個東南亞如何看待 Qwen。
一、從「本土導遊」開始的國家級 LLM
故事要從兩年前說起。
1. SEA‑LION：為東南亞量身打造的「本土導遊」
2023 年底，新加坡啟動了一項 7,000 萬新幣的「國家多模態 LLM 計畫」（National Multimodal LLM Programme, NMLP），目標很直接：打造一套真正懂東南亞語言和文化的基礎模型。這筆錢由新加坡國家研究基金會（NRF）出資，並獲得資通訊媒體發展局（IMDA）等政府單位支持。Sina Finance+2The Business Times+2
NMLP 之下誕生的旗艦計畫，就是 SEA‑LION（Southeast Asian Languages In One Network）。這是一個專門為東南亞語言設計、開源、可自部署的 LLM 家族：
- 由 AISG 帶頭研發，
- 目標是支援至少十幾種東南亞語言、方言與中英雙語，
- 同時能在較低算力資源上運行。SEA-LION+2Carnegie Endowment+2
「新加坡」在梵語裡是「獅城」的意思。SEA-LION很適合用來命名一個「由新加坡主導、替整個東南亞說話」的 AI 計畫。
《聯合早報》用一個很形象的比喻，稱 SEA‑LION 就像新加坡自己打造的 AI「本土導遊」：懂地區文化背景、也聽得懂新加坡式英語（Singlish）這樣的混合語境。zaobao.com+1
從技術上看，SEA‑LION 第一版是從零開始預訓練的基礎模型：
- 使用約 一兆（1T）tokens 的語料，
- 其中約 13% 是東南亞語言、64% 是英語，剩下是中文與程式碼，遠遠高於當時 Meta Llama 2 中東南亞語料不到 0.5% 的比例。Carnegie Endowment+1
卡內基國際和平基金會(Carnegie Endowment) 的研究指出，SEA‑LION 是少數幾個在東南亞真正「從頭預訓練」而非只做微調的本地模型之一，其目的之一，就是避免依賴大企業不透明的網路爬取資料，減少未來版權風險。Carnegie Endowment+1
2. 一開始的底座：Llama 的優點與盲點
但在最初幾代 SEA‑LION，AISG 仍然大量參考、甚至在局部 沿用 Meta Llama 系列的技術路線。在 2023–2024 年，Llama 是全球開源社群使用最廣的基礎模型之一，性能不俗、開源授權也相對友善。Carnegie Endowment+1
問題在於：
這個「全球通用」的模型，對東南亞其實很不通用。
根據新加坡與國際研究者的分析：
- Llama 的預訓練語料高度英語中心，
- 東南亞語言佔比極低，
- 在處理印尼語、泰語、馬來語這類「低資源語言」時，翻譯與推理品質顯著下滑。Carnegie Endowment+2Gate.com+2
新加坡媒體與智庫在報導 SEA‑LION 早期測試時提到：在地理常識題裡，模型曾把「委內瑞拉」誤答為東協成員國。這種錯誤不只是好笑，還暴露了 用西方模型硬套東南亞語境的結構性盲點。Sina Finance+1
再加上東南亞特有的「語碼轉換」（code‑switching）文化：
例如：
- 新加坡人說 Singlish，句子裡混合英語、福建話、馬來語；
- 馬來西亞人則有 Manglish，在英語中塞入馬來語詞彙。
標準英語訓練出來的模型面對這種「混合語」時，往往抓不到笑點也聽不懂梗。這一點，在 AISG 與媒體對 SEA‑LION 的描述中，被屢次點名為要解決的核心痛點。Computer Weekly+2zaobao.com+2
二、AISG 為何要「換心」：從 Llama 到 Qwen 的三個關鍵轉折
到了 2024–2025 年，東南亞本地 LLM 的版圖出現了明顯變化。
卡內基國際和平基金會的統計顯示：
2024 年新推出的區域 LLM 中，有約四分之一是基於中國 Qwen 系列模型打造。這代表東南亞開發者開始大規模嘗試「非美國底座」的AI大模型，Qwen 是最受關注的選項之一。Carnegie Endowment+1
另一方面，「主權 AI」的概念，也從口號變成各國政府的實際戰略。動點國際(TechNode Global) 指出，新加坡的 SEA‑LION 和阿聯酋的 Falcon 專案，已經被視為區域主權 AI 的代表案例：用開源與區域合作，確保語言與資料主導權不被單一國家壟斷。TNGlobal+1
在這個大背景下，我們可以把 AISG 的「換心」理解為三個重要轉折：
轉折一：從「自己從零練」到「強強聯手」
SEA‑LION v1–v3 以「從零預訓練」為榮，但這條路極度燒錢、也非常吃算力。
SEA‑LION、PhoGPT（越南）、MaLLaM（馬來）這些少數從頭練的本地模型，其實是「例外中的例外」，大部分東南亞團隊，現實上還是會選擇在大型開源基礎模型上微調。Carnegie Endowment+1
新加坡在「國家多模態大型語言模型計畫」之下逐漸形成一個新的策略思路：
「底座用世界級的，但語料、評測和安全標準要掌握在自己手裡。」
這直接為後來的 「Qwen + SEA‑LION 在地語料」的混血模式 埋下伏筆。SEA-LION+2Computer Weekly+2
轉折二：從「英語中心」到「多語言先天體質」
Qwen 能吸引 AISG 的第一個技術理由，是 先天的多語言體質。
根據新加坡《商業時報》（英文版與中文站）與阿里雲 (Alibaba Cloud) 公告：
- Qwen3‑32B 預訓練在約 36 兆 tokens 上，
- 支援 119 種語言和方言，
- 其中包含多種在主流模型中代表性不足的亞洲與東南亞語言。The Business Times+2Alibaba Cloud+2
相較之下，早期 SEA‑LION 在 Llama2 基礎上的試驗，等於是拿「只略懂一點點東南亞語」的學生，硬要訓成本地導遊；而 Qwen 則是從一開始就把多語言放進 DNA 裡。
這在東南亞之外也有呼應：AI & Data Insider 的一篇 2025 年回顧指出，Qwen 2.5 與 Qwen 3 支援逾百種語言，尤其在亞洲語言表現突出，並「在東南亞市場獲得顯著採用，主因是速度與多語言效率」。AI & Data Insider
對 AISG 來說，選擇 Qwen 做底座，相當於承認：
「語言多樣性這件事，Qwen 已經跑在前面，我們不必再重造一個輪子，只需要把東南亞的細節做更好。」
轉折三：從「雲上 AI」到「每台筆電都能跑的國民模型」
第二個關鍵，是 部署成本與主權 AI 需求。
英國IT媒體Computer Weekly 與阿里雲公告都強調，Qwen‑SEA‑LION‑v4 能在僅 32GB RAM 的一般筆電上運行，並提供 4‑bit 與 8‑bit 的量化版本，方便中小企業與開發者在本地部署。Sina Finance+3Computer Weekly+3Alibaba Cloud+3
對算力資源有限、又高度重視資料主權的新加坡與東南亞國家而言，這是一個非常務實的賣點：
- 不必非得租大規模 GPU 集群；
- 敏感資料可以留在國內甚至內網；
- 區域內的中小企業與高校，也能動手做實驗。
TechNode 在談「主權 AI」時提到，政府和企業之所以偏好開源權重的 LLM（包括 Qwen），就是因為可以 自建平台、掌握資料流向，並符合本地監管與文化要求。TNGlobal
新加坡選擇 Qwen 作為國家級 LLM 的新心臟，很明顯不是只看 benchmark 分數，而是把 「跑得起」、「用得起」與「掌握得住」 這三件事一起算進去了。
三、Qwen‑SEA‑LION‑v4：這顆「新心臟」長什麼樣？
1. Qwen + SEA‑LION：混血模型的技術設計
按照 AISG 與 Alibaba Cloud 的說法，Qwen‑SEA‑LION‑v4 是在 Qwen3‑32B 底座上，用超過 1,000 億個東南亞語言 tokens 做「高階後訓練（advanced post‑training）」，涵蓋緬甸語、菲律賓語、印尼語、馬來語、泰語、越南語、泰米爾語等多種地區語言。The Business Times+2Alibaba Cloud+2
在這個合作裡：
- Qwen 提供的是「通用推理與多語言能力」的底座，
- AISG 則貢獻清洗過、去除版權風險的在地語料和評測框架，讓模型真正懂得東南亞的語境和知識圖譜。The Business Times+2Carnegie Endowment+2
SEA‑LION 官方網站也同步宣佈，v4 其實是一個「雙主角」系列：
- Gemma‑SEA‑LION‑v4‑27B
- Qwen‑SEA‑LION‑v4‑32B
一個基於 Google Gemma（Google 版的輕量級開源大語言模型家族），一個基於 Qwen，反映出新加坡在技術供應商上維持「東西並用」的策略，只是最新一輪升級裡，Qwen 成了多語言版本的核心。SEA-LION+1
2. 為什麼要改 tokenizer？BPE 與非拉丁文字
新浪財經(Sina Finance) 以及阿里雲公司對這次升級特別強調了一個技術細節：
Qwen‑SEA‑LION‑v4 捨棄了先前常見的 sentence‑piece 分詞器，改用 byte‑pair encoding（BPE）。Sina Finance+2Alibaba Cloud+2
這聽起來很工程，但對泰語、緬甸語等 「沒有空格分詞的語言」，意義重大。
- 傳統以空格或詞為單位的分詞方式，在這些語言上表現很差；
- BPE 能在字節層級動態學習常見字串，
- 更適合處理沒有明確詞界線的文字系統。
換句話說，新版 SEA‑LION 不只是「多了幾種語言」，而是 在架構層面重新為東南亞語言調過教。
3. Sea‑HELM 排名與「開源替代西方模型」
Computer Weekly 報導指出，Qwen‑SEA‑LION‑v4 在東南亞語言綜合評測榜 SEA‑HELM 中，已登上 200 億參數以下開源模型的第一名，而 AISG 也明確把它定位為「相對於西方英語中心模型的開源替代方案」。The Business Times+3Computer Weekly+3SEA-LION+3
越南的加密與科技媒體《TinTucBitcoin》也以「新加坡國家 AI 計畫棄 Meta、轉向阿里巴巴 Qwen」為題，強調 Qwen‑SEA‑LION‑v4 在東南亞語言能力榜單的領先，認為這會直接加速印尼、泰國、馬來西亞等地的本地 AI 應用開發。Tin Tức Bitcoin+1
在印尼語的 Gate News 報導中，則更直白地寫道：
新加坡 AISG 在最新東南亞模型專案中「停止使用 Meta Llama，改用阿里巴巴 Qwen 架構」，理由之一就是 Llama 在印尼語、泰語、馬來語上的表現不佳，嚴重限制了本地 AI 應用效率。Gate.com+1
從這些不同語言的媒體視角，可以看出一個共同訊號：
在東南亞的語言工地上，Qwen 被視為更「合身」的底座。
四、新加坡本地媒體怎麼講這個故事？
有趣的是，新加坡本地媒體在報導這次「換心」時，各自有不同的語氣：
1. 《商業時報》：技術合作與區域 AI 生態
英文版 Business Times 將這次合作描述為 Alibaba Cloud 支援 AISG 最新版本 SEA‑LION LLM，Qwen‑SEA‑LION‑v4 建立在 Qwen3‑32B 之上，並透過 1,000 億個東南亞語言 tokens 強化本地語言理解。同時點出它在 SEA‑HELM 榜單上的領先，以及這整個專案是「國家多模態 LLM 計畫」旗下、由新加坡國家研究基金會 (NRF) 資助的國家級計畫。The Business Times+2The Business Times+2
中文站的翻譯版標題則是：
「阿里巴巴通義千問賦能新加坡 AI 自研大語言模型『海獅』最新版本」
語氣明顯偏向「雙向賦能」的合作敘事。The Business Times+1
2. 《聯合早報》：小國與本土 AI 的戰略意義
《聯合早報》過去多篇報導中，把 SEA‑LION 描述為 「符合東南亞文化背景和語言的生成式 AI」，並強調新加坡作為小國，在 AI 時代要成為「值得信賴的橋樑」，就必須掌握自己的語言與技術能力。zaobao.com+3zaobao.com+3zaobao.com+3
換句話說，對本地華文媒體來說，AISG 選 Qwen 更像是一個 「在美中科技拉鋸下，小國如何維持技術自主」 的案例，而不是單純的「哪家模型跑比較快」。
3. 中國輿論：從「不再依賴美國」到「全球南方夥伴」
在中國，觀察者網經由新浪財經轉載了一篇頗具情緒的長文，標題是：
《不再依賴美國！新加坡國家 AI 計畫「換心」阿里千問》Sina Finance
文章用很敘事的方式重構了這段歷程：
- 2023 年 NMLP 啟動，目標是建立 SEA‑LION；
- 早期以 Llama2 為基礎時，SEA‑LION 幾乎是「東南亞文盲」，甚至在測試中把委內瑞拉當成東協成員國；
- 東南亞語言在 Llama2 預訓練語料中只佔約 0.5%，而 SEA‑LION 的訓練資料裡東南亞內容佔比約 13%，是前者的 26 倍；Sina Finance+1
- 在尋找新底座時，AISG 最終選擇了 Qwen3‑32B，部分原因是它從一開始就以 36 兆 tokens、119 種語言預訓練，具備更好的多語言體質；Sina Finance+2The Business Times+2
- 文中甚至用「工業級能力、民用級門檻」來形容 Qwen‑SEA‑LION‑v4 可在 32GB 筆電上運行這件事。Sina Finance+2Computer Weekly+2
當然，這樣的論調帶有濃厚的中國視角與話語，但也側面反映：
新加坡 AISG 的選擇，被視為「全球南方國家在主權 AI 賽道上，開始不只看美國」的重要象徵。
五、其他東南亞國家怎麼用、怎麼看 Qwen？
AISG 選 Qwen，並不是一個孤立事件，而是插在一整張東南亞 AI 版圖上的關鍵拼圖。
1. 馬來西亞：用 Qwen 打造「本地主權語音 AI」
在馬來西亞，雲通訊公司 ORENCloud 推出的 Vocalis 語音 AI 平台，是一個很典型的「主權 AI + Qwen」案例。
官方介紹裡，Vocalis 主打幾件事：ORENCloud - Digital Starts Here+1
- 支援在地部署，所有語音資料可以完全留在馬來西亞境內；
- 為客戶提供「AI Freedom」：可以選擇雲端模型，也可以選擇完全本地離線模型；
- 在本地模型選項裡，明確列出 LLaMA 3.1、Qwen 2.5 與 SEA‑LION，並強調這些模型已為馬來西亞英語與馬來語做過優化；
- 單台大約 1.5 萬馬幣的伺服器，就能跑起一整套 AI 語音客服，取代昂貴的雲端 API 費用。
對企業客戶來說，這不是抽象的「主權 AI」討論，而是非常具體的：
「我能不能合法合規（PDPA）、不出國境、又不被外國 API 嚇死帳單？」
在這個設計裡，Qwen 2.5 扮演的是 可本地部署、性能足夠、又多語言強的中型模型，而 SEA‑LION 則提供東南亞語境的額外優勢——兩者在馬來西亞企業的機房裡，實際上是站在同一隊。
2. 區域模型生態：Qwen 成為東南亞 LLM「常用底座」
卡內基的報告整理了 2020–2024 年東南亞各類 LLM 的架構來源，指出到 2024 年：
- 早期幾乎所有模型都以美國基礎模型（如 GPT‑家族）為主；
- 之後開始出現本地模型（SEA‑LION、PhoGPT、MaLLaM 等）、法國 Mistral、以及多國合作模型；
- 2024 年新增的區域模型中，有大約四分之一選用 Qwen 作為底座。Carnegie Endowment+1
這個數字本身不算驚人，但訊號很清楚：
「東南亞的開發者，不再只看美國模型，而是把 Qwen 放進同一個工具箱裡一起評估。」
同一份報告也提醒了一個重要風險：
當區域模型大量採用 Qwen 這樣的中國基礎模型時，除了西方的偏見外，也必須警惕可能存在的中文與中國政治語境偏見。這並非 Qwen 獨有，而是所有大型語言模型的共通課題。Carnegie Endowment+1
對東南亞來說，這其實是好事也是壓力：
- 好事在於，選擇更多了，不再被單一陣營壟斷；
- 壓力在於，如何在多個大國技術之間，守住自己的價值觀與言論空間，成為技術治理的一部分。
3. 媒體視角：從加密網站到區域科技鏈接
有趣的是，最早把「新加坡國家 AI 專案棄 Meta、轉向 Qwen」這件事講得最大聲的，反而不是傳統 IT 媒體，而是區域性的加密貨幣與金融科技網站。
- 越南的 TinTucBitcoin 用長文分析，強調 Qwen‑SEA‑LION‑v4 在東南亞語言榜單上領先，認為這會拉高印尼、泰國、馬來西亞本地 AI 產品的速度與品質。Tin Tức Bitcoin+1
- 印尼的 Gate News 則把焦點放在「AISG 停止使用 Meta Llama」這件事上，用非常直白的語氣說：先前 Llama 在印尼語、泰語、馬來語上的表現不佳，是當地開發者的痛點。Gate.com+1
這些報導雖然帶著加密圈常見的炒作風格，但也反映出一件事：
Qwen 不再只是「中國的開源模型」，而是被當作「東南亞本地 AI 生態的一部分」來討論。
六、回到核心問題：AISG 為何在最新國家級 LLM 上選 Qwen？
綜合以上公開資訊與多家媒體的報導，我們可以把 AISG 的選擇，濃縮成三個層面的答案：
1. 語言與文化層面：Qwen 的多語言底座，讓「本地化」更像「微調」而非「救火」
- Qwen3‑32B 從預訓練階段就覆蓋 119 種語言與方言，並以 36 兆 tokens 作為基礎語料，讓它在面對印尼語、泰語、馬來語等語言時，起跑線就高於原先 Llama 路線。The Business Times+2Computer Weekly+2
- AISG 再在此基礎上，投入超過 1,000 億東南亞語言 tokens 做後訓練，等於是把 「懂很多語言」的通才，培養成專門的東南亞通。Carnegie Endowment+3The Business Times+3Alibaba Cloud+3
- 同時改用 BPE 分詞器，針對泰語、緬甸語這種沒有空格的語言做結構優化，從底層提升處理效率與準確度。Sina Finance+2Alibaba Cloud+2
結果就是：在 SEA‑HELM 這個專門評測東南亞語言的榜單上，Qwen‑SEA‑LION‑v4 迅速登頂同量級開源模型的第一名。Tin Tức Bitcoin+3Computer Weekly+3The Business Times+3
2. 工程與主權層面：能在 32GB 筆電跑的「國民級」模型
- 透過 4‑bit / 8‑bit 量化與架構優化，Qwen‑SEA‑LION‑v4 可以在 32GB RAM 筆電上運行，降低了對高階 GPU 的依賴。Computer Weekly+2Alibaba Cloud+2
- 這讓小國與中小企業有能力在 國內、甚至機關內網部署國家級模型，滿足資料主權與監管要求，同時控制成本。
- 馬來西亞 Vocalis 一類的案例也顯示，區域內的企業對「可本地部署的 Qwen + SEA‑LION」組合有明確需求，不僅能對接本地語音與語言，還能保障隱私法規的合規。ORENCloud - Digital Starts Here+2ORENCloud - Digital Starts Here+2
在 TechNode 的主權 AI 框架裡，這種 「開源權重 + 本地部署 + 本地資料」 的組合，正是各國追求的理想形態。TNGlobal+1
3. 政策與生態層面：在美中科技競逐之間，創造「第三種位置」
- 「國家多模態 LLM 計畫」本來就是一個要讓新加坡在 AI 時代「不只是用別人東西」的計畫，SEA‑LION 代表的是 本地研發與區域合作的旗幟。zaobao.com+3The Business Times+3Studocu+3
- 選擇 Qwen 並不意味著放棄西方技術。同一代 v4 裡還有基於 Google Gemma 的版本。新加坡要在東西雙方之間，「以開源為槓桿，換取更多談判空間」。SEA-LION+2TNGlobal+2
- 當越來越多東南亞模型採用 Qwen 做底座時，如何理解和治理來自中國語料與政治語境的偏見，同樣是區域必須面對的新功課。Carnegie Endowment+1
從這個角度看，AISG 選 Qwen 更像是一種「多極世界下的小國策略」：
既不完全倒向美國，也不完全依賴中國，而是透過開源組合拳，把不同陣營的技術拉進自己的國家計畫裡。
七、故事還沒完：Qwen 在東南亞的下一幕
如果把東南亞的 LLM 生態想像成一個大型開發者社區，Qwen 目前扮演的角色，大概是這樣：
- 對新加坡而言，它是 SEA‑LION v4 的新心臟，承載國家級 LLM 的推理與多語言能力；Computer Weekly+2SEA-LION+2
- 對馬來西亞 Vocalis 這類企業來說，它是能本地部署、講得一口道地馬來語和英語的 「實務派 AI 引擎」；ORENCloud - Digital Starts Here+1
- 對越南與印尼的加密與科技媒體，它是象徵「東南亞不再只看美國模型」的 話題中心；Tin Tức Bitcoin+1
- 對整個區域研究社群而言，它則是打破「美國底座一統天下」的關鍵變數之一，帶來更多選擇，也帶來新的治理難題。Carnegie Endowment+2TNGlobal+2
從這個故事回頭：
「AISG 為何在最新國家級 LLM 上選 Qwen？」
也許最精準的回答是：在一個多極化、語言多樣又算力有限的世界裡，Qwen 讓新加坡有機會，把「做自己的模型」這件事， 從夢想，變成在一台 32GB 筆電上就能跑起來的現實。而這樣的現實，也正在被整個東南亞，一國一國地接力上演。
附註：我如何靠AI完成這一篇專題整理？
我使用Chat GPT5.1 pro 版的 pro模式 + deep research。
我先請ChatGPT整理英文媒體的報導，寫一份詳細的中文報告。
然後請ChatGPT整理東南亞媒體的報導，寫一份詳細的中文報告。
最後請ChatGPT依據新加坡本地媒體，整理AISG計畫的起源與變化。
然後再請ChatGPT根據以上三份報告，以說故事的方式撰寫一份不限字數的長篇專題報導。
複製到《方格子》網站上後，手動調整文字內容。ChatGPT引用的資料來源，有保留在《方格子》。
