風機是綠色的，牠的遷徙路卻可能被切碎：Sámi 馴鹿牧民提醒能源轉型，不能只看減碳地圖

# 風機是綠色的，牠的遷徙路卻可能被切碎：Sámi 馴鹿牧民提醒能源轉型，不能只看減碳地圖

作者：邱俐瑜 Liyu Chiu｜公民科 x AI資訊科技媒體素養教案獎得主｜AI教育學院。FB粉絲專頁｜快樂鯉魚秋老虎：運算思維與程式設計；共同作者：阿將伊崮喜瀾

今天這篇專題不是要把「傳統」和「科學」排成高低，而是追問：當兩套知識同時面對同一個自然世界時，彼此能不能指出對方看不見的地方？這個問題之所以重要，是因為 AI、氣候模型、GIS 與大型資料庫正在快速進入土地、文化、心理健康與公共治理；如果資料進來了，脈絡卻被刪掉，我們可能得到更快的答案，卻離真正的知識更遠。

第1章｜一張綠能地圖為什麼看不到一條馴鹿路？

本章先把研究證據與文化敘事分開。最重要的是：2026 年《Ambio》研究以 Sámi 與 Finn reindeer herders participatory workshops 分析 polycrisis，指出提升牧民對 land-use governance 的實質影響、確保 land access，可同時回應 green transition、geopolitics、inequality 與 climate change 等壓力。《Ecology and Society》五年研究分析 Northern Sweden Sámi pastoralists 如何跨尺度建立 strategic alliances；Septentrio report 強調 árbediehtu 是透過 practice、language、community institutions 傳承的 living relational knowledge。。這些材料讓我們看見，研究問題本身會因為地方知識加入而改變。自然科學擅長把現象轉成可比較的數值、模型與不確定性；原住民族與地方知識則常把時間、地點、關係、責任與生活後果一起保留下來。兩者並置時，不需要誰替誰背書，而是要問：哪一種尺度被另一種方法漏掉了？

從編輯角度看，第一個防呆就是不要把研究論文、博物館／政府的文化資源、社群敘事與本文分析混成同一種證據。每一個具體數字、研究方法或制度描述都必須能回到來源；文化意義則應清楚標示來源脈絡。這樣讀者才能知道哪些是研究結果，哪些是文化說明，哪些是原傳媒AI的跨領域分析。

第2章｜árbediehtu 記錄的是路線、雪、地衣與時間

知識不是離開現場後仍完全不變的物件。誰觀察、何時觀察、為什麼需要這項判斷、錯誤會造成什麼後果，都可能是知識的一部分。如果研究只留下可以塞進資料表的欄位，資料會變整齊，但意義可能變薄。雙向知識真正困難的地方，是既要讓資料能被比較，又不能把文化脈絡、社群權利與使用界線刪掉。

如果未來把這些內容放進傳統知識聊天機器人，資料欄位至少要能回答：這項知識屬於誰？在哪裡成立？何時成立？誰記錄？可否公開？可否訓練模型？是否有版本差異？誰能修正？若系統只保存名詞與定義，AI 很容易把局部知識說成普遍真理。

第3章｜Polycrisis：氣候、森林、礦業、風機不是四張互不相干的圖

當模型、統計或制度分類與地方觀察不一致時，不一致本身就是高價值資料。研究者應檢查空間解析度、時間尺度、變數缺漏、樣本選擇與研究目的；社群觀察也有自己的適用範圍，不能任意外推。成熟的合作不是追求『大家得到同一答案』，而是建立一套可以保存差異、回到現場、再驗證的流程。

這也是 Two-Eyed Seeing 最容易被誤解的地方。它不是把兩套知識平均混合，也不是要求雙方永遠同意；更重要的是讓不同證據方式都有位置，並建立可以互相校正而不互相吞沒的研究設計。當差異被保留下來，新的研究問題才會出現。

第4章｜當地方經驗必須先被翻成「可接受證據」

本章特別處理不能超譯的地方：不能寫成所有風電都傷害馴鹿或 Sámi 反對綠能。Septentrio 是 seminar/report，不是 causal field experiment；其他研究也是 participatory/social-ecological research。它們支持 land access、cumulative impacts、governance 與知識權力的重要性，而不是替每個能源案預先判決。。這些限制不是削弱文章，而是保護可信度。生成式 AI 很容易把不完整證據補成流暢故事；在原住民族知識領域，流暢不等於正確。來源沒有支持的儀式、禁忌、身份、名稱或因果關係，系統應保留未知，而不是依相似文化自動補完。

媒體敘事也需要同樣的節制。吸睛標題可以提出張力，但正文必須把因果、相關、模型情境、參與式研究與文化敘事分清楚。若一篇文章把『可能』改寫成『一定』、把『特定案例』改寫成『所有原住民族』，再漂亮的故事都會變成新的誤導。

第5章｜回到台灣：不是複製 Sámi 制度，而是先做累積衝擊地圖

回到台灣時，最值得移植的是方法而不是答案。可以從社群真正關心的問題開始，共同定義要記錄什麼，再決定感測器、GIS、RAG、知識圖譜或多媒體工具如何加入。資料必須保留來源、時間、地點尺度、權限、版本與不確定性，也要讓社群有修訂與拒絕公開的能力。這樣科技才是支援地方決策的工具，而不是要求地方經驗配合科技格式。

對教育而言，可以讓學生把『科學模型使用的變數』與『地方知識持有人實際關心的訊號』列成兩欄，再討論哪些內容能量化、哪些需要敘事、哪些涉及權限。這比背誦傳統知識名詞更接近真正的雙向知識，也更適合未來 AI 素養教育。

原傳媒AI編輯觀察

這個題目真正值得留下的，不是一句「古老智慧值得保存」，而是一套更嚴格的知識工程觀：科技必須知道自己看不見什麼。模型可以提供廣域比較與推演，地方知識可以指出生活尺度、文化責任與長期變化；兩者都需要說清楚適用範圍與限制。

若未來進一步做 RAG、多模態辨識、語音轉譯或知識圖譜，最重要的不是把資料量做大，而是把 provenance、permission、place、time、community authority、version 與 uncertainty 做進架構。真正成熟的 AI，不是每一題都回答，而是知道何時應該查證、何時應該讓社群自己說、何時必須回答「目前不知道」。

不可超譯

不能寫成所有風電都傷害馴鹿或 Sámi 反對綠能。Septentrio 是 seminar/report，不是 causal field experiment；其他研究也是 participatory/social-ecological research。它們支持 land access、cumulative impacts、governance 與知識權力的重要性，而不是替每個能源案預先判決。

主要來源

• Ambio research article
• Ecology and Society research article
• Septentrio Sámi pastoralism report
• Septentrio reindeer herding article

方法補充｜如何把這篇文章變成可追溯的數位知識

建議每一項研究事實建立 source_id，每一段文化說明建立 community/context 欄位，每一項編輯推論標記 analysis。若來源更新，保留舊版本與日期，不直接覆蓋。對敏感文化內容則設定 access level，讓公開版、研究版與社群內部版可以不同。這種做法雖然比單純建立全文向量庫麻煩，卻能大幅降低 AI 把脈絡錯置、跨族群套用或生成虛構細節的風險。

讀者如何讀這份證據

讀者應把能源轉型的氣候效益、土地使用衝擊與馴鹿牧業的路徑條件放在同一張問題表中，但不能因此預先判定每一座風機的結果。參與式研究可以說明牧民如何描述 polycrisis、土地進入權與治理影響，卻不等於對所有能源案完成因果評估。不同季節、地形、道路、礦業與放牧安排，都可能改變現場後果。

若台灣要製作累積衝擊地圖，第一步應讓地方使用者決定哪些路線、季節與敏感資料可被看見，並把觀察、模型與開發計畫放進可更新的版本。地圖不應只有工程單位能改，也應保存誰提供資料、誰核對、誰能暫停使用，以及錯誤造成影響時如何救濟。

這個案例的重點不是把 Sámi 制度複製到台灣，而是把土地使用的總量、時間與關係納入能源決策。減碳指標很重要，但它不能單獨代表地方接受度、生計連續性或文化權利。

最後，任何延伸應用都要保留原始來源、審閱日期、資料權限與修訂紀錄，讓受影響的人能看見、補充、反對或要求停止使用。公開版本也應清楚標示哪些是已知事實、哪些是情境推演、哪些仍待地方共同確認，避免後續轉載時失去證據邊界。