結尾有提示。 必須將正確答案完整抄寫， 該題才有滿分。 請找一整片空白處依題號順序列出你的答案。 寫在題目旁邊的答案不計分； 錯位 (沒有按照順序) 的答案會扣分。 姓名學號請寫在答案紙那一頁的右下角。
網際網路促成資訊爆炸， 一般大眾的注意力成為各種強權 (跨國企業、 言論管制政府) 競相爭奪的稀有財。 有些無良的公司 (甚至包含諸如 Meta、 微軟這樣的大公司) 會採取 (A) 的方式來設計 UI/UX (使用者介面/使用者體驗)， 故意讓使用者上癮、 誘導使用者消費、 甚至欺騙使用者。
另外有一些公司建構 (B)， 把使用者圈養在他們的生態系統裡面， 用盡各種方法阻止使用者離開， 包含設計各種門檻妨礙甚至完全阻止用戶 export (匯出) 資料 (line 的對話、 蘋果的 iMessage)、 妨礙甚至完全拒絕與其他公司的產品溝通 (微軟的 docx 格式、 蘋果拒絕採用標準的 USB 介面)。 許多用戶選擇這樣的產品不見得是因為產品優良的品質而是因為 (C) - 該 (通訊) 產品網路中， 現有的顧客數量越多， 對新客戶越有吸引力。 (D) 這個 "定理" 為 (C) 給出具體的數學式： 網路整體價值與使用人數平方成正比。
一般民眾有時也會群起宣揚某個共同的理念， 例如 #MeToo 風潮、 自由軟體運動、 立法委員大罷免等等。 這類 「許多群眾自發性宣揚共同理念」 現象通稱為 (E)。 有些大公司或是政黨發現這種方式比較能夠引起大眾的共鳴， 於是故意隱暪自身的參與， 躲在幕後操作一些群眾運動， 表面上看起來像是 (E) 實則不然， 這種手法稱為 (F)。 有人認為立委大罷免其實是一種背後有政黨操作的 (F)； 也有人認為反制罷免的街頭活動才是 (F)。 盡管主流媒體沒有採用 (F) 這個名詞， 但雙方的指控所表達的懷疑， 就是這個意思。 社群媒體讓 (F) 行為變得更容易大規模操作。 臉書工程師發現有許多帳號經常步調一致地貼出相同的文字， 企圖影響輿論， 便將這種現象稱為 (G)。 以攻擊端的國籍來區分， 俄國、 伊朗、 中國幾個言論管制國家在過去幾年的臉書報告裡， 總是名列前矛。 不論是哪一方， 或是企業/政黨合乎法理、 光明正大的宣傳行銷， 都有可能採用 (H)， 也就是網路上既有的流行圖像 (詭笑的柴犬、 戳樂、 火場小女孩...) 或口號， 來搭配自己的產品或理念。 這具有搭順風車的效果， 可以喚醒閱聽者腦中既有的印象， 引發共鳴， 更容易攻佔閱聽者的大腦。
錯假訊息可以分成三大類： 沒有惡意 (可能是筆誤等等無心之過所造成) 的錯誤訊息稱為 (I)； 惡意偽造的錯誤資訊稱為 (J)； 內容取材自事實、並未變造， 但是運用截頭去尾、 畫錯重點的方式， 故意誤導閱聽者的資訊稱為 (K)。 (L) 一詞用以描述 「想要更正錯假訊息的負面影響所需要的力量遠遠大於製造錯假訊息所需要的力量」 這個現象。
黑帽駭客想要入侵受害者的電腦， 如果透過技術方式， 需要穿越層層防火牆， 太困難。 比較簡單的方式是採取 (M) 的手段， 例如誘騙用戶點擊惡意超連結或安裝惡意應用軟體， 或偽裝成受害者的親友同事求助。 最後這類 「針對受害者的個人特殊資訊所設計的 (M)」 稱為 (N)， 比較費力， 但是成功率高很多， 通常用於董事長特助之類的關鍵受害者。
資訊科技的兩大發展讓 (N) 變得很容易、 成本變得很低。 第一， 是個人的隱私資訊被跨國企業大量蒐集： (O) (例如指紋、虹膜、臉孔、聲紋等等資訊)、 行為資訊 (例如滑鼠點擊、按讚、轉貼、留言等等)、 甚至綜合兩者的腦波或是 (AR/VR 頭盔很容易截取建立的) (P) (每個時刻用戶的視線焦點)， 這些資訊讓各種 apps 對用戶的了解可以遠遠超過用戶本身對自己的了解。 第二， 是生成式 (generative) AI的發達。 原本進行 (N) 需要耗費人力大量閱讀受害者的文章、 再根據他關心的事撰寫具有高度說服力的詐騙文。 現在這一切都可以自動化， 而且可以大規模， 不再只針對高價值的受害者 (e.g. 董事長特助)。
事實上在生成式AI成熟之前 (Q) 這家公司就與臉書合作， 設計線上心理測驗， 對用戶進行 OCEAN 五大人格分析， 再轉身面向各國的政治人物招攬生意， 宣稱可以利用高度針對性的廣告去影響選民的投票意向。 (Q) 確實也以大數據分析技術成功影響了多次的選舉， 包含川普的第一任選舉以及英國的脫歐公投。 史稱 (Q) 事件。
誰最有能力、動機與資源進行大規模的 (N)? 這需要尖端的研發人才、 大量的隱私個資訓練資料、 強大的 AI 運算能力， 甚至要結合不同廠商合作而不競爭的方式來集中火力攻擊受大量的害者。 言論管制、有強烈政治動機、沒有道德底線的中共政權， 是全球所有競爭者當中最具備一切有利條件的強權。 只不過它的目標並不像是傳統的 (N) 意欲詐騙每個受害者的金錢， 而是攻戰每個受害者的大腦， 進行政治說服、 心戰喊話。 AI 內容農場分眾吸引粉絲、 AI 帳號混進社群媒體、 AI 情人 app 私密話、 ... 這些是繼 (G) 之後， 認知戰升級的自然下一步。
諸如 ChatGPT、 Gemini、 Copilot、 Grok 等等聊天機器人 (chatbots) 通稱為 (R)， 因為它們是由大量的文字資料所訓練出來的。 「對 chatbot 下指令」 這個動作稱為 (S)。 提供 chatbot 服務的網站， 現在面對著一種新型態的惡意攻擊可能性： (T) 也就是使用者可能想出奇妙的 (S) 內容， 讓 chatbot 去破壞自身的網站或是洩漏機密資訊等等。
目前最有助於理解 chatbot 的方式， 是把它想成一個 (U)， 也就是思想模擬器。 所以， 用擬人化的方式去描述 chatbot 的行為， 是有意義的。 Chatbot 經過工程師調校、 面對用戶的那一小個面向， 經常具有 (V) 的特性， 也就是喜歡討好用戶。 這存在著強化用戶自身偏見的風險， 例如附和用戶以致他過度自信、 相信陰謀論、 甚至自殺等等。
動物 (包含人類) 的行為之於演化機制/系統， 可以拿來類比 AI 之於人類設計的類神經網路系統： 具有獨立智慧的 "產品" 相對於 "系統" 而言稱之為 (W)， 有 "低一個層次" 的意思。 他會有自己的目標， 跟原先系統的目標可能不一致。 如何讓 AI 的目標跟人類設計類神經網路時期待的目標一致， 這個問題稱之為 (X) 問題。 最近的AI正在朝向 (Y) 的方向發展， 也就是我們賦予 chatbot 操作機器、 與實體世界互動的能力， 讓 chatbot 不再只會打嘴砲。 豆包手機助手就是一個獲得初步 (Y) 能力/角色的 AI， 它可以代為操作你的手機。 未來如果 AI 被裝進機器人裡， 成為更強大的 (Y)， 那麼它對實體世界就具有更強大的影響力 - 包含破壞力 - 而 (X) 問題也就變得更加重要與迫切。
提示: agent, alignment, astroturfing, biometrics 生物辨識資訊, Brandolini's law / Bullshit Asymmetry Principle, Cambridge Analytica, content farm 內容農場, coordinated inauthentic behavior 協同造假行為, credential stuffing 撞庫攻擊, dark pattern 暗黑模式, demoralization, disinformation, eye tracking heatmap, grassroot movement, Heisenberg uncertainty principle, large language model 大型語言模型, malinformation, meme 迷因, mesa optimizer, meta optimizer, metaverse 元宇宙, Metcalfe's law, misinformation, Moore's law, negative feedback 負回饋, network externality 網路外部性, parody, polymerase chain reaction 核酸檢測, precision 精確度, prompting, prompt injection, simulacrum, social engineering 社交工程, spear phishing 魚叉式釣魚, stochastic gradient descent 隨機梯度下降法, Streisand effect, sycophancy, three laws of robotics 機器人三大定律, walled garden 高牆花園, watering hole attack 水坑攻擊, 五毛黨,