2007 年前後，我在部落格上陸續寫下「樂生危機」系列文章。那些文章不只是表達支持或反對，也試著整理工程方案、文化資產、地方發展、院民生活與行政責任。為了理解所謂的保留方案，我會引用其他部落客整理的圖面、訪談與規劃資料，追問究竟保留了哪些建築，又抹除了哪些生活方式與歷史意義。文章刊出後，其他作者會回應、補充資料，讀者則在留言區繼續討論。
那也是一個網路關係可以迅速轉化成集體行動的年代。
原本不認識的人透過部落格、社群書籤、即時通訊與獨立媒體彼此找到。有人整理工程文件，有人分析文化保存，有人採訪專業者，也有人到現場巡守、參與會議、辦理活動。網路上的連結不只將讀者導向其他文章，也可能把人帶到樂生院裡，讓原本抽象的爭議成為可以走進、觀看與共同承擔的地方。當時我在文章中寫道，地方必須真的走過，書上與圖上的變化才會產生意義，甚至長出力量。
這些討論當然不總是理性。網路爭辯經常激烈，運動內部也有挫折、誤解與關係耗損。但至少在那個時候，我們仍然相信：面對一項公共爭議，普通人不只可以表態，也可以透過寫作、查證、連結與協作，參與問題如何被社會理解。
這大概就是 Web 2.0 初期「我們就是媒體」（We the Media）對我最具體的意義。
從「我們就是媒體」到不再願意說話
Dan Gillmor 在 2004 年出版《We the Media》時，試圖捕捉一種正在形成的媒介變化，那些原本位於新聞生產邊緣的人，開始參與資訊的蒐集、報導與傳播。新聞不再只是媒體機構向大眾進行的單向傳送，而可能成為記者、當事人、讀者與公民共同參與的過程。這種期待不只是每個人都可以建立自己的網站。更重要的是，公共知識不必被視為專業媒體製作完成後交付給閱聽人的產品，而可以在一連串公開的補充、質疑與修正中逐漸形成。
樂生保留運動便發生在這樣媒體轉型的環境裡。
當主流媒體的注意力有限，運動參與者、獨立媒體與部落客可以自行追蹤事件，閱讀專業文件，並透過彼此引用形成不同於官方說法的事件敘事。某篇文章可能連向另一位作者的分析、現場照片、訪談錄音、工程圖面或會議紀錄。讀者面對的不是平台替他整理完成的單一答案，而是一張需要自行移動、閱讀與比較的連結網絡。
那時候的部落格寫作，也不只是把已經確定的立場展示給別人。寫作本身就是理解事件的過程。為了完成一篇文章，必須查找資料、閱讀不同說法、回應別人的質疑；文章公開後，其他人的留言、引用與反駁，又可能迫使作者重新思考原先的判斷。以樂生為例，文化資產、人權、捷運建設與地方發展並不是幾個可以輕易排列的選項，而是在不同作者、平台與社群之間被反覆辯論的問題。換句話說，公共表達與公共學習曾經是緊密連在一起的。
社群平台的過濾氣泡
當每個人都可以發表，任何人都不可能閱讀所有內容。社群平台與搜尋引擎於是逐漸透過演算法，替使用者決定哪些資訊值得優先出現。公共性的問題，也從「誰有能力發聲」轉變成「誰的聲音能夠獲得可見性」。
Eli Pariser 在 2011 年提出「過濾氣泡」（filter bubble），批評 Google、Facebook 等平台根據使用者過去的搜尋、點擊、社交關係與互動紀錄，替不同的人組織不同的資訊環境。個人化可以減少面對資訊洪流的負擔，卻也可能降低人們接觸陌生議題、不同經驗與反對觀點的機會。
「我們就是媒體」的承諾並沒有完全消失。每個人仍然可以發布內容，但可以發布不代表能被看見；每個人都能接觸公共資訊，也不代表大家面對的仍然是同一個公共世界。部落格時代的超連結，逐漸被平台內部的推薦與轉貼取代。過去，讀者可能從一篇文章跳到另一個作者的網站，看到不同的版面、語氣、引用習慣與資料脈絡。在社群媒體裡，文章則被切割成一則則貼文，放進由平台統一排序的動態牆。作者仍然在說話，但說話的可見度愈來愈依賴演算法如何計算互動、停留與分享。
過濾因而不再只是閱讀者的選擇，而逐漸成為社群媒體在監控資本主義時代的權力基礎。
當公開表達成為風險管理
近年更明顯的變化，或許還不只是我們看到什麼，而是愈來愈多人不願意公開說出自己在想什麼。當一則社群媒體貼文可能同時被家人、朋友、學生、同事、學術同行與陌生人看見，並且被截圖、轉貼，脫離原本脈絡後重新解讀，尚未想清楚的疑問可能被視為正式立場，後來修正看法也可能被當作前後不一。公開表達於是逐漸成為一種風險管理。
政治傳播所說的「沉默螺旋」並沒有因社群媒體提供更多發言管道而消失。Pew Research Center 針對 Snowden 與美國國家安全局監控事件所做的調查發現，受訪者在線上並不比面對面更願意討論爭議議題；當他們認為社群網絡中的人不同意自己時，也更容易保持沉默。這類研究不能直接證明所有國家、平台與議題都出現相同變化，但它至少否定了一項早期的樂觀想像：只要增加發言管道，原本不易被聽見的意見便會自然進入公共空間。
在樂生運動期間，公開寫作同樣會引起衝突。但當時的部落格文章通常具有較完整的篇幅與文本脈絡，讀者也較可能沿著引用與連結理解爭論從何而來。今日社群媒體上的意見，則經常被壓縮成一句話、一張截圖或一個立場標籤，再被推送給原本不在對話情境中的受眾。
這不表示人們不再關心公共議題。
人的思考可能只是退入私人訊息、封閉群組與只讀不回的狀態。較猶豫、較溫和，或不願承受衝突的人逐漸退出公開討論；平台上比較容易被看見的，則是立場鮮明的使用者、職業評論者、政治組織，以及熟悉演算法的內容生產者。這個轉變的矛盾在於：網路上的內容前所未有地豐富，真正以自己的身分公開試探、猶豫與修改想法的人，卻愈來愈難看見。是以，公共表達曾經被視為理解事件、尋找同伴與組織行動的一部分，如今卻愈來愈像一項必須計算後果的個人風險。
就在人的思考逐漸退出公共空間時，生成式 AI 開始大量進入社群媒體。
AI 進入社群媒體之後
在社群媒體上，生成式 AI 造成了兩種方向相反、卻同時發生的變化。
一方面，它大幅降低了公開內容的生產成本。
人們可以用 AI 寫貼文、改寫文章、製作圖片和影片，再把生成結果發布到社群平台。原本需要構思、採訪、整理或創作的內容，如今可以用極低成本迅速大量生產。「AI slop」便是這種變化的極端表現。它通常指大量製作、品質低落，主要為了取得點擊、流量或演算法推薦而生成的內容。當文字、圖片與影片的供應量迅速增加，社群媒體表面上可能更加活躍，卻更難判斷一則內容背後究竟是否有真實經驗、持續投入或願意承擔後果的作者。
另一方面，AI 也開始成為私人討論的對象。
現在，我在 X 上看到一則新聞或一段觀點時，不一定會在原貼文下留言，也不一定需要和其他網友展開論戰。我可以直接叫出 Grok，問它這則消息的背景是什麼、原作者是否省略了某些資訊、支持者與反對者的理由分別是什麼，或者要求它批評我目前的看法。
這種使用方式好處是，社群媒體上的公開討論，往往要求我們同時做兩件事，一方面理解問題，一方面展演自己的立場。但真正的理解通常需要一段不穩定的過程。我們可能提出不成熟的問題、暫時接受錯誤的假設，也可能在幾輪對話之後改變看法。面對網友時，改變立場容易被理解成輸掉論戰；面對 AI，卻沒有同樣的面子與身分負擔。我們可以要求它反駁自己、換一套理論重新解釋，或承認剛才的問題問錯了。在這個意義上，AI 可以成為一個低風險的「認知排練室」。
然而，真正的問題並不在於我們開始和 AI 討論新聞，而在於另一個更大的轉變：
這正是《The Most Interesting Thing in AI》在專訪 Eli Pariser 時的討論重點。
從 Filter Bubble 到 Agentic Interface：當 AI 開始替我們組織現實
Eli Pariser 是《The Filter Bubble》的作者，曾參與 MoveOn.org 的網路政治動員，也是 Upworthy 的共同創辦人。目前他擔任 New_ Public 共同主任，持續思考數位媒體、社群與公共生活之間的關係。2026 年，Pariser 並不是站在社群媒體外部單純批判。他曾經參與網路政治組織、病毒式內容傳播與另類社群平台的實驗。他長期關心的問題都是：當媒介系統替人們選擇資訊時，它如何改變人們看見世界、理解他人與形成公共判斷的條件？
2011 年提出 Filter Bubble 時，他擔心的是平台如何根據個人行為，替每個人排列不同的內容。到了 AI agent 出現之後，他認為同一個問題即將進入更深的階段。他在 Media Party 曾以「After the Feed」為題，討論資訊環境如何從演算法動態牆走向由 AI 主導的代理人介面。
什麼是 Agentic Interface？
Pariser 所說的「代理人介面」（agentic interface），不只是聊天機器人，也不是在搜尋結果旁邊增加一個 AI 摘要框。
一般聊天機器人主要是回應式的。使用者先提出問題，它才回答。代理人介面則會根據使用者的工作、行程、關係、偏好與過去行為，主動判斷使用者此刻需要知道什麼，再跨越不同網站、平台與資訊服務進行搜尋、篩選、摘要和重新呈現。Pariser 描繪的情境是，未來早上起床後，我們可能不必分別查看新聞網站、社群媒體、電子郵件、行事曆與孩子的學校通知，而是由 agent 將這些資訊綜合成一份完全依據個人情境製作的簡報。它不只排列資訊，也會抽取重點、轉換形式，並為單一使用者製作特定版本。有人習慣在通勤時收聽，agent 就生成一段 podcast；有人偏好閱讀，便收到五點文字摘要；有人只關心下一步要做什麼，agent 則把資訊直接轉換成行程與待辦事項。
這代表資訊介面至少出現三項變化。
- 從瀏覽變成委託：過去我們必須親自穿梭於不同網站與平台，未來則把資訊蒐集與初步整理交給代理人。
- 從排序變成轉譯：社群媒體演算法主要決定哪些貼文排在前面；agent 不只排序，還會閱讀、摘要、改寫與重組。
- 從被動回應變成主動預測：它不必等使用者提出問題，便能依據個人情境判斷什麼值得注意。
從內容泡泡到理解泡泡
這也使 Filter Bubble 的意義發生了變化。
在傳統的過濾氣泡中，平台主要控制哪些內容可以被看見。兩個人在 Facebook 上可能看到不同貼文、不同朋友的近況與不同新聞來源，但他們通常仍在閱讀某篇具名文章或某則原始貼文。代理人介面更進一步。它可以讀完數十篇報導，再替使用者重組成一段流暢、完整而高度個人化的敘事。
因此，agent 不只決定我們看到什麼，也參與決定：什麼是事件的核心？哪些因果關係最重要？誰是值得引用的正方與反方？哪些資訊只是枝節？這件事應該被理解成危機、改革、衝突，還是管理問題？
生成式搜尋的初步研究已發現，不同系統即使面對相同查詢，也可能在來源選擇、語言與不確定性呈現上形成結構性差異；AI 摘要還可能削弱原始材料中的保留語氣，使資訊顯得比來源本身更加確定。研究者因而提出「答案泡泡」（answer bubbles）的概念，用來描述 AI 中介搜尋如何產生不同的資訊現實。
這就是 Pariser 所說「類固醇版過濾氣泡」（filter bubbles on steroids）最值得注意的地方。也就是說，AI 不只是製造內容泡泡，也可能製造敘事泡泡或理解泡泡。不同的人不只看到不同新聞，而可能從同一件事得到兩套各自完整、各自合理，卻很難互相比較的現實。
社群媒體過去主要根據點擊、追蹤、停留時間與互動行為，把使用者放進若干興趣或政治類別。但長期運作的 agent 則可能讀取我們的行事曆、電子郵件、文件、工作任務、對話紀錄與社交關係。它不再只是預測「這個人可能會點擊什麼」，而是逐步建立一套關於「這個人是誰」的模型。
這是為什麼 Pariser 進一步推測，未來的模型可能不只在共同模型外增加一層偏好設定，而會因長期互動產生更加深入的個人調整。即使所有人繼續使用相同的底層模型，只要 agent 能取用不同的個人資料、選擇不同來源，並以不同語氣與格式呈現，甚至傾向配合使用者已經表達的信念而產生「阿諛奉承」（sycophancy），就已足以產生高度分歧的資訊世界。
資訊爆炸下無法迴避的篩選
不過，如果只因為 agent 會替使用者篩選資訊，便判斷它一定比社群媒體更危險，也可能忽略代理人介面之所以具有吸引力的根本原因。那就是，隨著網路世界的發展，資訊量早已超過任何個人可以處理的程度。我們不可能閱讀所有新聞、社群貼文、郵件、研究報告與公共爭議。無論依賴報紙編輯、搜尋引擎、社交網絡、推薦演算法或 AI agent，我們都必須接受某種守門機制。
換句話說，不存在完全沒有資訊邊界的資訊環境。
自己訂閱固定媒體，是由個人習慣形成的邊界；追蹤特定學者與朋友，是社交網絡形成的邊界；報紙頭版，是專業編輯形成的邊界；Facebook 動態牆，是平台演算法形成的邊界；由 agent 製作日報，則是個人模型形成的邊界。問題不是要不要過濾，而是由誰過濾、依據什麼原則，以及過濾過程是否留下可以檢查的痕跡。
但代理人介面真正令人不安的地方，是它可能同時扮演私人祕書、新聞總編輯、搜尋引擎、解釋者、購物顧問與廣告管道。過去，我們至少大致知道畫面上的某一格是廣告。但是，當未來的商業推薦可能被寫進新聞摘要、旅行規劃、消費建議與世界觀之中時，免費 agent 可能把平台與贊助者的利益，包裝成「因為我了解你，所以這是最適合你的選擇」。
因此，真正的問題不是 agent 是否替我們篩選，而是：這個 agent 到底是代表我行動，還是代表平台、廣告商與模型公司管理我？
從規模競爭到信任競爭
除了過濾氣泡之外，Pariser 對社群媒體的未來還提出另一項判斷：當 AI agent 大量進入資訊環境後，數位平台的競爭可能逐漸從規模轉向信任。
過去二十年的 SNS 主要以規模建立優勢。平台擁有愈多使用者，社交網絡就愈完整；內容愈多，使用者停留時間就愈長；互動愈多，廣告價值也愈高。網路效應使大型平台愈大愈有用，也愈難被其他平台取代。
但 agent 可能削弱規模的部分價值。因為當 AI 可以跨平台搜尋、閱讀、比較和摘要，使用者不一定需要親自進入每一個大型平台。過去人們使用 Reddit、Facebook 社團、地方論壇或其他社群服務，部分原因只是為了尋找推薦、詢問附近消息、比較商品或了解政策。這些工具性的資訊需求，未來可能直接由 agent 完成。
另一方面，AI slop、機器帳號與自動互動，也會使大型公開空間上的信任判斷更加困難。例如，這篇文章是否由真人撰寫？這個帳號是否真的相信自己所說的話？這項推薦來自生活經驗，還是行銷操作？這場論戰中的參與者，究竟有多少是真人？
Pariser 借用「黑暗森林」的比喻，指出人們已經逐漸從大型開放平台，退入 Discord、Slack 與私人群組等高信任空間。在這些空間裡，最稀缺的資源不是更多內容，而是透過持續貢獻逐步累積的「厚實聲譽」（thick reputation）。
當文字、圖片與互動都可以大量自動生成，內容本身不再稀缺。真正難以迅速複製的，是可確認的身分、長期累積的聲譽、共同生活經驗，以及社群執行規範的能力。畢竟，資訊可以被無限生成，信任卻無法以相同速度生成。
這就是「從規模競爭到信任競爭」的意義。
然而，高信任的小型社群並不必然等於公共世界。私人群組可以提供信任、照顧與歸屬，也可能加深封閉與排他。地方社群可以處理共同問題，也可能把新住民、租戶或不符合主流想像的人排除在「真正的社區」之外。當所有人都退回熟人群組，我們或許得到較舒適的小共同體，卻失去讓陌生人、不同群體與衝突意見相互遭遇的場所。
因此，未來的問題不是在大型平台和小型社群之間二選一，而是如何讓小型社群累積厚實信任，同時仍然保留跨越群體的橋接關係。畢竟，公共空間的價值，正是在於它不只讓既有的高信任社群維持聯繫，也讓弱連結有機會轉化成信任。但如果未來的人都只停留在由 agent 管理的私人資訊環境，或退入原本就熟悉的小型群組，我們或許能得到更安全、更舒適的交流，卻可能失去這種從陌生人開始的公共關係。
邁向一個 more-than-human 的公共世界？
寫到這裡，我很難把自己放在這場變化之外。
樂生保留運動期間，我曾經持續在部落格上寫文章、整理資料、回應不同意見，也和原本不認識的人在網路上爭論。公開寫作不只是表達立場，也是我理解問題與參與行動的方式。但現在，我確實已經愈來愈少這樣做了。這當然有其方便之處，也帶著一點風險控管的意味。
聽完這集節目，我並不覺得我們只能在「人與人公開討論」和「人與 AI 私下對話」之間二選一。畢竟，從技術哲學的角度看，公共空間原本就不是一個由人類先行建立，再由媒介從外部加以傳遞的場所。公共議題如何出現、哪些證據能夠流通、誰能成為發言者，以及人們如何彼此連結，始終由人、技術、物件、文件、制度與具體場所共同組織。
Noortje Marres 所說的「物質參與」，正是要凸顯物件、技術與日常環境如何參與民主實踐。這個想法承接自 Dewey 的公眾理論。Dewey 認為，公眾不是一群人先天存在、之後才決定要不要關心某個議題，而是反過來，一群原本互不相干的人，因為共同承受某項問題造成的後果，才被這個問題召集、組織成一個公眾。
舉例來說，樂生保留運動本身就是一個 more-than-human 的公共空間。參與其中的不只有院民、學生、官員、工程師、記者和部落客，也包括院區建築、捷運工程、地下水與地質資料、保存圖面、文化資產制度、部落格、超連結，以及人們在現場的移動與停留。這些事物不是公共討論完成後才被拿來佐證的背景；它們共同影響了問題如何被看見、誰受到召集，以及什麼能夠成為具有說服力的主張。
因此，AI agent 的出現，並不是讓非人第一次進入公共討論。公共世界本來就是 more-than-human 的。
但與過去所不同的是，agent 將過去分散在不同媒介與角色中的能力集中起來。它可以同時搜尋、排序、摘要、轉譯、模擬立場、提出建議，甚至代替使用者採取行動。它不只承載公共資訊，而開始主動組織人們遭遇資訊與理解問題的方式。因此，問題不是 AI 是否應該存在於公共空間，而是它將如何重新組裝公共空間。
我並不期待回到一個沒有 AI、所有人都在公開平台論戰的年代。因為 AI 已經成為我們閱讀、思考與組織資訊的環境之一。未來的公共空間也必然會由人與 agent、平台、資料、文件和場所共同構成。
我想要持續思考的，是我們能否形成另一種人與 agent 的關係：它不只把公共資訊轉化成適合我的私人理解，也能讓私人理解產生新的公共連結；不只替我排除雜訊，也能協助我察覺哪些問題正在影響其他人；不只模擬不同立場，也能把我帶回那些不能由模型代言的經驗、場所與當事人。
More-than-human 並不意味著人、模型、平台公司與物件之間的權力因此變得平等。相反地，它要求我們更仔細地追問這個 agent 代表誰行動，依據哪些資料做選擇，哪些關係因此被強化，又有哪些公眾始終無法形成。讓我們用街道生活舉例。 Jane Jacobs 曾指出，讓街道維持安全與活力的，不能只靠警察巡邏或正式監控，更有賴街坊之間持續、日常、近乎無意識的相互注視。商店老闆看著街上的孩子，住戶注意窗外的動靜，路人也看著彼此。這些細微的接觸與觀看，在長期累積後形成一種難以明確言說，卻真實存在的公共信任。而當監視器與智慧看板進駐街頭之後，都市科技持續在觀察、記錄、計算路過的人，路人卻幾乎看不到那個正在觀看自己的「黑盒子」，也無從知道它如何分類自己、如何使用資料。這種 AI 基礎設施與日常公眾之間的不對等，有研究者稱為「互惠赤字」。
回到社群媒體。當 agent 以同樣不可見的方式，成為我們每天理解資訊的基礎設施時，我們或許正在製造一種類似的赤字，一種被理解得很透徹，卻無法回頭質問、參與、修正它的處境，長期下來侵蝕的不只是信任感，更是我們是否還相信這整套系統是為了我們而存在。
總而言之，公共世界從來都是由人與非人共同組裝的。而此刻，我們正站在 Pariser 所謂的轉折點，擁有一個「這一次把事情做對」的機會窗口，避免重蹈過去二十年社群媒體發展的覆轍。儘管存在加劇隔閡的風險，但若能建立正確的外部激勵機制與公共導向的介面，AI 同樣擁有幫助人類理解多元觀點、降低社群協作門檻的強大潛力。關鍵在於，我們是否願意投資於那些「不以利潤為唯一目標」的數位空間。
Comments