【深度專題】避免資料殖民！解決資料荒的下一步？來自日本的新創 APTO

AI 正在快速進化，但真正能餵飽它的「高品質資料」卻正在快速枯竭。

根據 Epoch AI 的預估，我們可能在 2026–2032 年間，耗盡現有的高品質公開文字資料庫；美國公共電視主播 PBS 也指出，AI 系統可能在 2026 年前「吃光」人類書寫的資料 。這不是某家公司的問題，而是整個 AI 產業面臨的全球性挑戰。

OpenAI 更在技術報告中坦言：「高品質人類標註資料」是模型性能提升的關鍵，也是一切最難的來源。傳統的資料收集與清洗流程，如今正面臨「量不夠、速度慢、成本高」的三重壓力。

但資料問題不只是「不夠」，還可能是「不對」。

目前主流訓練多依賴英語世界的資料，導致模型在其他文化、語言或地區使用時往往失準。這促使各國政府和企業提出「主權 AI」概念：資料的蒐集、訓練與使用應該在地化，以確保 AI 符合在地語言習慣與倫理標準。

延伸閱讀: 台灣也能打造自己的「主權 AI」？

這也讓「共享 AI 標註」成為未來的可能解方之一：如果資料無法複製，能否動員社群共同生產？

不少新創已著手嘗試。例如 Surge AI 推出「人＋AI」雙重品控模式，協助企業建立高品質訓練資料；Centaur Labs、Karya 等則在醫療與印度在地語言上，發展社群式標註網路，嘗試解決在地資料缺乏與資料殖民的問題。

而來自日本的 APTO，也用一套極具操作性的系統給出回應：harBest，一個讓全民與專業標註者都能參與資料建設的開放平台。

harBest：把資料建設，變成一場全民任務

在資料供需失衡、主權 AI 崛起的背景下，日本新創 APTO 給出一個務實又可執行的方案——harBest。

它不是傳統的資料外包公司，也不是匿名接案平台，而是一套「資料協作網絡」：
企業可以在平台上發起任務，明確說明想收集什麼樣的語音、圖片或文字資料；
一般用戶或特定領域專家，則能透過手機或電腦完成標註、回答問卷、分類資訊，並獲得點數獎勵。

就像是把 AI 模型訓練所需的「資料工地」攤開給社群參與。
但 harBest 更關鍵的設計，在於它不只是把任務外包給人群，而是重新定義了「什麼叫做可用的資料」：

• 每筆資料都能被多位用戶交叉驗證；
• 標註結果會經過 AI 初步過濾與邏輯一致性檢查；
• 每位標註者的表現會被長期追蹤、分級、影響接案權重。

APTO 把這套機制稱作一種「人與 AI 的雙向信任系統」——
AI 幫助人做得更準，人讓 AI 學得更穩。

相較於過往標註平台只重數量與速度，harBest 更像是為了「品質與在地性」而生的資料共建系統。

標註不只是人力外包，而是一種演算法設計

harBest 的核心優勢，不只是把資料任務釋出給群眾，而是設計了一整套「讓資料變乾淨」的流程。

1. 多重交叉驗證：讓錯誤標註無所遁形

每筆資料都會交由多位用戶標註，平台根據回覆一致性與語意差異計算信任度。
如果某位用戶反覆給出偏離共識的答案，不僅該筆標註會被過濾，該用戶的整體評級也會下降。

2. AI 輔助品質控管：NeMo Curator 的加入

APTO 與 NVIDIA 合作導入 NeMo Curator 模組，能自動剔除短句、錯字、不自然語句，並對資料做初步語意檢查。
這讓 harBest 成為少數同時結合「人力標註＋AI 清洗」的雙軌平台，標註品質不再只能靠人力補破網。

3. 分級制度與專業模式：讓標註也能職涯進階

平台內建「標註等級制度」，新用戶從簡單任務做起，表現穩定後能逐步解鎖更高單價、更複雜的任務。
而針對醫療、金融、機械等需要專業知識的領域，harBest 推出 Expert 模式，媒合具備特定背景的標註者，協助企業訓練高難度、在地化的 LLM。

誰在用 harBest？資料平台的 B2B 滲透力

目前，harBest 已與日本境內多家企業合作，從客服對話分類、App 回饋標註，到金融服務的自然語言風險分析，累積大量具備「地區性語言特徵」的微型資料集。

日本各地語調差異極大，從東京的標準語，到大阪、福岡、北海道等地的方言，不只發音不同，連語尾、敬語強度與句型邏輯也各有文化背景。其中一個應用亮點，是 APTO 為日本在地語音助手建構「口語口氣」資料集：
透過 harBest 平台，讓上千位使用者錄下各種生活場景下的語音指令（如疲勞時語調、禮貌用語差異），成功提升模型對日本語系自然語調的識別準確率。這類資料過去難以靠公用語料取得，卻是日系 AI 應用中的真實痛點。

此外，harBest 本身也正在成為一種「資料資產聚合平台」：
隨著任務與標註行為的累積，APTO 可根據企業需求整合現有標註資料，提供具特定語境、用途、格式的客製資料包，快速支援模型調教或評測用途。

對中小型企業而言，這代表：即便沒有 AI 團隊，也能快速擁有可訓練、可用的資料集。

對台灣來說，這樣的平台並不是「可以有」，而是「應該有」

生成式 AI 的進展，正在從模型競賽，轉向資料競賽。

而台灣，不論是產業還是語言文化，早已暴露在這場資料競爭的邊緣——
多數企業沒有資源清洗資料，更談不上打造屬於自己的 AI 訓練集；
市面主流語料模型又多數來自矽谷與中國，對台灣的語氣、法規、用語習慣根本無法對應。

這也是為什麼我們不只需要會「用 AI」，更需要能「養 AI」的平台。
像 harBest 這樣結合社群協作、AI 品質管控、專業分層的標註平台，正是一種可能的起點。

這不只是企業端的資料解方，
也是我們打造主權 AI、累積本地語料資產、為下一代模型鋪路的關鍵基礎。

資料主權不能靠別人分配，必須靠我們自己建立。
我們不是等待世界給我們 AI，而是應該問自己：台灣的 AI，要學誰的語言？