生成式人工智慧（以下簡稱生成式AI）的能力越來越強大，很容易大量產生各種內容，因此也有人擔心它會影響民眾參與公共討論的方式與品質。

近代論及公共討論時，通常會參考哈伯瑪斯（Jürgen Habermas）的公共領域概念。哈伯瑪斯將公共領域視為一個不受國家與社會控制的互動場域，透過參與者的理性批判論述形成公共意見。

但公共意見或共識的形成並不容易，首先，在這個空間中需要平等與自由的溝通，每個參與者或者團體應該都有心，以達到共識為目的來討論。雖然我們知道個體之間必然存在差異，但透過公共討論，應該讓多元、不同的聲音變成對公共有用的共識。此外，參與討論的人要能夠針對議題的不同方案提出思慮周全的理由，而非只是爭論短期、表面的正確與否。政治學者馬凱爾（Patchen Markell）則認為哈伯瑪斯的所謂共識並非只看結果，溝通過程與方法更為重要。

這種對於社會公共討論的想像很美好，但實際上很難做到，特別在網路媒體與社群媒體發達的年代，一來平等的對話很難發生，二來不是每個人都抱持尋求共識的態度在上網或參與討論，加上參與者未必具備反思的「交互參照」（inter-referring）能力或心態，所以不容易形成所謂的「重疊共識」（overlapping consensus）。

網路的公共討論空間有3大特點

生成式AI可以協助使用者或系統產生大量內容，勢必又會影響網路的公共討論，但在討論生成式AI可能帶來的影響之前，我們要先檢視一下原本的狀態如何。網路社群媒體在促進公共意見交流上有一些特點，這些特點在不同的角度下，可能是優點也可能是缺點，其中包含：

資訊過載：對於不主動閱讀完整文章，也不主動搜尋資訊的網路使用者而言，透過社群媒體非常容易接受到大量、破碎、去結構化的零碎資料，而一般人的心力與能力都很難重新彙整成完整、具體的想法，這在生成式AI之後會更加惡化。

匿名性：網路討論的參與者可以不用擔心身分曝光而大膽表達自己的想法，但也因為匿名不用負責，所以降低了因為要負責而維護的言論品質與思慮周全性，生成式AI也可能惡化這個現象。

演算法、協同過濾（collaborative filtering）：網路系統通常配合使用者的喜好，會遞送特定立場、情緒、類型的內容，從立場上來看，會出現回聲室（Echo Chamber）效應，使用者較容易看到相似、但不一定反應社會真實情況的言論。例如在2025大罷免前，很多人在社群媒體看到的立場，可能與投票結果有落差。在資訊上也會有過濾泡泡（Filter Bubble）或資訊繭房（Information Cocoons）效應，讓閱聽人只看到特定類別的內容。生成式AI對這個現象的影響可能有正負兩面。

生成式AI可能的影響有正有負

因為生成式AI變化非常快，以下討論都以2025年9月的時點為準，筆者沒有能力對日後的科技發展做出太遙遠的預測，但可以對產品做些想像。

前述網路言論空間中的資訊過載、匿名性、演算法，都可能因為大量的生成內容而進一步惡化。生成式AI目前最顯而易見的危害，就是快速生成大量的內容，不論其中資訊是正確或虛假，都可能影響公共討論。生成的內容即便為真，仍可能因為回聲室效應、過濾泡泡，影響人們對於真實環境的判斷，資訊數量的不正確，依舊是一種錯誤。

而虛假內容的危害與過往一樣，但因為生成式內容的速度快，又支持多模態，所以文字、圖片、影片的造假都十分容易，也已經充斥在社群媒體之上，對於原本只依賴社群媒體為主要資訊來源的閱聽人而言，生成式AI應該會負面影響這些人參與公共討論的品質。

這種現象不只發生在網路而已，台灣的電視新聞也曾經用生成式AI模擬柯文哲的聲音或社會新聞當事人的動態影像。

目前許多國家開始針對這個現象進行管理，例如建議或強制要求標示人工智慧內容，但這樣的標示對於原本就不重視資訊來源的閱聽人而言，警示的效果可能會逐漸遞減直到無感。

但資訊科技通常有不同的使用法，生成式AI也可以提升公共討論品質，以下提出兩個可能的方向：

即時事實查證與交互參照：網路上許多意見、討論，甚至傳統媒體的論壇、電視上的談話性節目，都會依據錯誤或虛假資訊來表達，並因此強化了虛假資訊的傳播。如果今天任何網路上的言論都會先經過生成式AI的「協助」，判斷論據中是否有虛假資訊，理論上可以提升言論品質。

設想一個情境，如果一個使用者在有生成式AI輔助的平台上發表言論，但沒有論據或論據並不正確，例如「我討厭外勞、因為外勞犯罪率很高」的時候，系統可能就會即時表示這個說法過度概化（overgeneralization），更何況移工在台灣的犯罪率並不高，這樣說並不適合。而當使用者說「外勞侵蝕台灣健保資源」時，系統又會馬上提醒，移工年齡通常較輕、健康狀況普遍良好，平均醫療支出其實低於本國人，繳交的保費大於實際使用量，對健保財務來說是「淨貢獻者」。

目前生成式AI已經有能力即時顯示這樣的資訊，端看服務業者是否願意導入，以及使用者是否願意自己的寶貴意見被AI檢視。

多元的彙整：演算法經常遞送讀者喜歡看的內容，產生過濾泡泡或回聲室效應，讀者有可能「偏讀」，例如只看得到特定立場傾向、特定領域的內容。但我們同時也可以看到，像 Perplexity 這樣的服務、或Google現在的AI摘要，雖然作法上還有著作權的疑慮，但這些整合生成服務有可能將來自不同立場、語言、國家的內容，彙整成一篇新的內容，因此不同立場的人，都有可能減少偏讀。而且這種彙整的內容，通常會比社群媒體上看到的碎片更完整，也能夠容納多元觀點、更複雜的資訊，協助公民在溝通時有更完整的資訊。

任何平台、新聞媒體，在獲得授權的情況下，現在都有能力提供這種AI整合資訊服務，利用人工智慧的輔助，讓讀者可以看到更多元、完整的內容。

如何逃避演算法與AI客製化的回聲室

當生成式AI逐漸介入網路上的公共討論時，不可避免地，我們會在不同管道看到更多由AI生成的資訊與意見，當然這些內容不一定有錯，也不一定不好，而且要辨識資訊是否出自於生成式AI也越來越難，所以靠閱聽人的篩選、辨識，長期來看不切實際也不可行。

首先，不論在演算法驅動的年代、或生成式AI內容的年代，使用者面對演算法的自我反思（Reflexivity）永遠是最重要的一點，但也最難。網路的使用者應該隨時抱持高度的反思，看到每一則內容時，都思考演算法刻意遞送每一則內容給自己的可能原因，例如順應我的喜好、測試不同的演算法訊號、我的朋友喜歡這個內容、控制我的情緒等等。

當我們看到與我們立場、身分相符合的內容，得永遠先思考：「為什麼我會在這個時候看到這個內容？」演算法推薦這篇內容給我，不管是不是AI產生的，可能都判斷這是我喜歡的內容。如果使用者接納、相信所有演算法推薦的內容，那麼AI生成的內容就會源源不絕送到面前。

另一方面，閱聽人如果希望更廣泛地看到社會公共討論，那麼在演算法之前，也可以思考有什麼內容自己是看不到的？在演算法為我們精心裝潢的回聲室之外，還可能有什麼聲音？我要如何才能接收到這些公共討論？

為了達到這一點，即便我們很難完全逃避掉演算法與生成式AI為我們精心打造的回聲室，但還是可以自己裝潢這個回聲室，主動加入更多不同的社群、維持意見與自己不同的朋友、追蹤高品質但看了會高血壓的意見領袖，如此公共討論與共識才可能在回聲室中發生。假如閱聽人假裝自己的回聲室中已經充分呈現了社會的意見，並享受過濾泡泡的安全感，這種回聲室中會更容易出現AI生成的內容，並且建立虛假的社會共識。

我曾長期服務於網路公司，知道網路公司雖然可以讓演算法機制與內容更促成資訊交流與共識，但企業實際上沒有義務這樣做，而且這種服務通常不受使用者歡迎。使用者的選擇，最終會影響科技公司的產品路徑，我們現在看到所有「不好」的產品，通常都是科技公司在長期的摸索中，配合使用者的喜好與能力而變成現在的樣子。

生成式人工智慧雖然可能為公共討論造成危害，但也有機會促進更負責的討論，主要關鍵還是取決於閱聽人的態度。