電子報
隨著人工智慧（AI）技術快速演進，現代AI工具已突破文字處理的界線，進一步掌握多國語言翻譯、影像理解，甚至協助詮釋歷史資料，為政府行政與數位轉型創造前所未有的可能性。過去，我們或許僅將ChatGPT等生成式AI視為文字撰寫助手；如今，這些AI已能跨越文字、語音與影像的藩籬，成為公部門同仁工作的全方位協作夥伴。在日益國際化、數位化的行政環境中，無論是多語翻譯、長篇文件解析，或視覺推理與歷史照片解讀，AI皆展現了卓越的實務價值。
本期電子報將透過多個真實應用案例，介紹AI如何成為跨模態的行政協作夥伴，協助公務人員提升效率，真正實踐人機協作的最大效益。
在政府對外聯絡與國際交流的工作中，經常需將中文資料翻譯成英文或其他語言，且必須同時兼顧譯文的準確性與在地性。像發布雙語新聞稿或向國際夥伴提供政策說明時，若僅用直譯，常難以傳達原文的微妙語氣，用詞不當甚至可能造成誤解。傳統翻譯工具通常只注重字面上的轉換，但在正式公文或新聞稿翻譯中，專業術語的一致性與語氣拿捏更是關鍵。
面對這類需求，ChatGPT 等生成式 AI 可擔任更全面的多層次翻譯助手角色。不僅能做到基本的多語言切換，亦能提供雙語對照輸出、協助比對專業術語，並根據實際需求靈活調整語氣與用詞風格。在實務操作中，可以使用 ChatGPT執行「直譯 → 反思 → 意譯」三階段翻譯流程，以有效提升譯文品質與自然度。
首先，由 ChatGPT 逐字忠實翻譯原文，完整保留資訊與細節。接著請 AI 像資深編輯一樣逐句審視直譯稿，檢查語氣自然度、用詞精準性以及專有名詞的正確性，指出不自然之處。最後，再根據這些反饋進行意譯潤色，確保譯文通順流暢且符合使用情境。
在提示設計方面，這三個步驟可分次進行，或以單一提示鏈整合多項指令。例如進階使用者可要求ChatGPT一次同時列出直譯與意譯兩個版本，便於比較修正。透過 AI 反覆自我審視和優化，能不斷調整語氣、術語用法與整體流暢性，最終產出既忠實原意又貼近目標語言習慣的高品質譯文。
案例參考連結：https://chatgpt.com/share/67eb8f5d-f6f0-8002-99ec-75e063d5afeb
此外由 Andrew Ng 團隊（DeepLearning.AI）開發的 Translation Agent，是一款開源的 Python 工具庫，採用「代理角色分工」的設計架構，自動化上述翻譯流程。Translation Agent 透過設定「翻譯者→編輯→評審」的多代理角色，進一步強化反思式翻譯的品質與效率。具體操作上，首先由「翻譯者」代理生成初步譯文，接著「編輯」代理像人工校對般仔細審閱初稿，指出用詞不精準或語意不自然之處並給予改善建議，最後由「評審」代理統整前述建議，產出精準、流暢且符合使用情境的高品質譯文。
透過預先設定的提示詞，Translation Agent 可自動化任務分工，流程化地產出接近人工翻譯水準的譯文。使用者能夠靈活調整提示，精準掌握翻譯風格、專有術語及地區用語。以農村社區里山地景與綠色經濟國際研討會的一段新聞稿為例，原稿含有許多專有名詞與特定表述。Translation Agent 在初步直譯後，透過提示即時進行反思修正，如建議將「民國114年」改為國際讀者更熟悉的「2025年」，並將術語「friendly farming practices」調整為更精準的「sustainable farming practices」。在語氣調整上，Agent 也依據提示將句子改寫得更加自然且符合正式語境，避免了過於生硬的直譯。經過「直譯→反思→意譯」的三階段過程，使用者彷彿擁有一位專業的雙語編輯，由AI協助反覆潤飾，最終得到精確且流暢的高品質譯文。
政府單位經常需要處理篇幅龐大的翻譯任務，例如數十頁的國外政策白皮書或技術報告等。傳統方式是使用一般翻譯軟體或線上服務，逐段切割後再逐一翻譯，不僅費時，還容易遺漏重要資訊。雖然 ChatGPT 能透過對話即時翻譯，但因受限於單次對話字元（token）上限，無法一次完整容納整份長文件，逐段貼入則繁瑣且可能因缺乏前後文脈絡而影響譯文品質。面對這些痛點，我們可以利用近期興起的長文本翻譯工具，包括 ChatGPT 的進階功能與專業翻譯軟體，一次性地處理整份文件，提升翻譯效率與品質，並減輕人工分割文本的負擔。
在實測中三款長文本翻譯工具各具特色。。我們以一份20頁、2.1 MB大小的《2023日本防災白皮書》英文章節為測試文本：
• ChatGPT（o3模型 + 深入研究模式）：我們將完整 PDF 文件上傳 ChatGPT，設定其扮演專業編輯角色進行逐頁翻譯，並要求用詞須符合臺灣常用語且風格專業。ChatGPT 展現出良好的上下文理解能力，譯文正式且忠實原意。但圖片內容未進行文字翻譯，僅截圖保留原文，且當文件頁數超過 100 頁時，翻譯精確度會明顯下降。
翻譯結果參考連結：https://drive.google.com/file/d/1bAWdGdrab8E75j3jHAtieBoEk70nky9-/view
• DeepL 翻譯：直接上傳 PDF 文件至 DeepL，一鍵即可在短時間內取得全篇譯文。DeepL 的翻譯自然流暢且易讀，幾乎無須額外潤飾；圖片內文也能辨識並翻譯，排版維持完整、處理迅速。對科技及政策文件的術語掌握度高，譯文貼近日常慣用語。但免費版有限制（單檔 5MB 內），且需上傳雲端，有內網隱私需求時需謹慎評估。整體適合高品質直譯、不需額外摘要或編輯的情境。
翻譯結果參考連結：https://drive.google.com/file/d/1WTbEUhdSoLC3BNF9nACvLsr9SIRQB8b8/view
• PDFMathTranslate：這是由社群開發、可在本機或離線環境執行的開源工具。上傳 PDF 後，工具會輸出原文與譯文雙語對照的文件，保留原始格式與數學公式、表格等特殊排版，便於校對與學習。然而其翻譯品質取決於串接的翻譯引擎（如 Google、Bing、LLM 等），且圖片內文無法翻譯，偶有漏譯情形；也不具ChatGPT 摘要與語句重組能力，介面相對簡單，雙語對照模式為學習與校對提供便利的參考素材。
PDFMathTranslate github：https://github.com/Byaidu/PDFMathTranslate
翻譯結果參考連結：https://drive.google.com/file/d/1UVbB5wV1FqEnzbPG_whM9G19H6itE0fT/view?usp=sharing
除了文字翻譯外，ChatGPT 的視覺理解能力也逐漸在實務中展現出價值。OpenAI 在 2025 年推出具備圖像理解功能的 o3 模型，能將圖片中的元素轉化為文字線索，結合已有知識進行跨模態推理。這表示我們可以僅憑一張圖片，便能讓 AI 描述內容，甚至針對圖片進行提問。舉例來說，它可同步分析圖像與附帶的文字資訊，遇到細節模糊處，還會主動嘗試放大或旋轉以尋找更多線索，若圖片中包含地標建築或手寫文字，AI 同樣具備基本的辨識與解讀能力。
我們透過一張未附說明的街道災後照片，測試 ChatGPT 能否僅憑圖像線索推理事件的時空背景，進一步驗證其跨模態推理能力。ChatGPT 仔細分析影像中的關鍵資訊，包括街道上的巨量泥砂、遠處的橋樑，以及建築招牌上的電話號碼「2458-8 …」。AI 判斷「245」開頭的市內電話屬於基隆市暖暖、八堵一帶的交換機號碼段，再根據背景中約九層樓的都市建築特色，推測地點可能位於基隆市區。進一步比對臺灣歷年重大災害紀錄，ChatGPT 推斷此場景極可能是 2001 年納莉颱風侵襲後基隆市暖暖區的災情。
我們要求先列舉可見細節，再進行推理，避免 AI 一開始就產生主觀臆測。這種方式提升了回答的可追溯性與準確性。ChatGPT 不僅成功判斷出災害類型、發生地點，甚至合理還原事件時序，展現其從圖像資訊中抽絲剝繭、構築敘事的能力。此案例顯示，生成式 AI 不僅能支援災後判讀與歷史影像考證，更提醒我們：善用結構化提問與多重線索比對，是提升 AI 理解力與推理準確度的關鍵策略。
案例參考連結：https://chatgpt.com/share/680b2da1-8008-8002-9a2a-01b2c769f957
政府機關典藏的歷史照片，彷彿時間膠囊，封存了過去的災後現場、工程施工與政策身影。然而由於年代久遠，許多照片缺乏標註與背景資料，成為一幅幅無法開口說話的無聲影像。畫面中的人們依舊鮮明，但背後的地點、時間與脈絡卻模糊難尋，也使這些珍貴的影像難以發揮敘事的力量。這次我們運用 ChatGPT的視覺推理能力，試著替這些沉默的歷史影像重新「補故事」。
這是一張攝於民國55年（1966年）的老照片，一群人站在「南化鄉公所」門口合影。沒有人名、沒有說明、只有建築上的門牌與模糊布條。於是，我們請ChatGPT仔細觀察，並逐步推理出照片的時空背景與角色身分，試圖挖掘背後隱藏的故事。
透過視覺辨識，AI 首先確認了建築門楣上的「臺南縣南化鄉公所」字樣；右側布條的「賀蔣公當選連任」，指向1966年3月的總統選舉；左柱布條則寫有「歡迎山地農牧局長官」，進一步確認來訪單位。而中央穿著開領襯衫、神態自信的主要人物，其外型與當時山地農牧局局長蘇振杰十分相符。
結合1960年代的坡地治理政策與歷史背景，ChatGPT 進一步推論出當天可能的行程脈絡：南化鄉地處後堀溪流域，長年飽受坡地災害影響，同時也是龍眼、芒果等果樹的新興栽培區，因此成為山地農牧局推動水土保持工程的重要示範地點。此次視察行程可能包括鄉公所簡報、梯田與牧場現場踏查，以及相關補助項目審核，最後再回到鄉公所門前合影留念，成就了這一歷史瞬間。
這張照片不僅是一張地方視察的紀錄，更是臺灣水土保持體系在萌芽階段的縮影。照片記錄了當年坡地治理現場，從山地清理到梯田示範，體現出政策從草創到系統化治理的轉折點。人物的排列與角色結構，更反映了中央與地方之間的治理動員模式，部會長官、地方人員與基層農友一同站在現場，不只是禮儀，更是當年政策落地仰賴的多層次協作網絡。此外，「賀蔣公連任」布條與坡地治理的場景同時入鏡，也提醒我們，在威權年代，專業技術治理常與政治象徵緊密交織。六十年後回顧，這張影像已超越了單純的合影意義，成為理解當代臺灣治理模式與歷史脈絡的重要切片。
如今水土保持工作已步入數位時代，從人工繪圖、現場丈量，到如今透過 LiDAR 地形掃描與 AI邊坡預測。然而，這張老照片中那些腳踩泥濘、穿著工作服的人物卻提醒我們：無論技術如何進步，政策與治理終究必須扎根於土地、連結於人與地方的故事。AI 能協助我們理解過去，但治理的真正核心，仍然是人與土地之間持續而深刻的連結。
案例參考連結：https://chatgpt.com/share/68381ff8-c19c-8002-8c93-324a079efcf8
隨著AI的跨模態能力日益成熟，我們看見的不僅是技術的進步，更是工作方式與思維模式的轉變。無論是翻譯精準的公文、解析複雜的長文件，抑或從歷史影像中重建被遺忘的故事，AI都證明了它在政府行政場域的多元價值。然而，技術再先進也需落地於實務與人際脈絡之中，真正推動進步的，始終是人與科技之間精妙的協作與相互激盪。期待未來的AI應用，不只是提升效率，更能深刻融入人們的生活與記憶，成為真正有溫度的科技夥伴。
