新聞

數發部今天(9/15)宣布啟動「臺灣主權AI訓練語料庫」民間語料徵集行動，從過去以政府公開資料為主，進一步擴大納入民間的出版社、電子書平臺及作家授權作品，希望建立更能反映臺灣語言、文化、歷史與社會脈絡的AI訓練資料。

數發部表示，臺灣主權AI訓練語料庫自去年底上線，第一階段先以中央及地方政府資料為主要來源，資料集從2千增加至5千個資料集，累積約有22億的Tokens，涵蓋文化、歷史、藝術、旅遊，以及不同的語言，例如臺語、客語，以及未來將涵蓋的原住民語。今天啟動民間語料徵集，象徵語料庫從政府資料階段，進入下一階段的公私協力模式，透過出版內容補充臺灣社會、文化及知識脈絡。

數發部長林宜敬今天也以作家身分率先授權個人著作，希望號召更多民間內容提供者加入，而在徵集活動上，包括秀威資訊、印刻文學、Readmoo讀墨、食力、巨思文化等出版及電子書平臺業者，以及若干參與授權的作家參與。

中文AI訓練資料分布不均，數發部盼補足臺灣語料

林宜敬首先指出，大型語言模型對世界的理解，會受到訓練資料影響，包括民主、權力制衡等概念，也可能因不同社會文化背景的資料而產生不同理解。目前國際大型語言模型的中文訓練資料，仍有大量來自簡體中文內容，因此若要讓AI真正理解臺灣，就需要讓臺灣的語言、文化與價值成為AI語言模型學習的一部分。

他表示，主權AI語料庫的目的，不只是增加資料量，而是建立具有臺灣特色的高品質語料來源，讓AI在處理臺灣相關議題時，能參考更多本土內容。

數發部過去曾指出，大型語言模型訓練需要語意連貫、內容完整的高品質資料，因此語料庫建置不只是資料蒐集，也需要建立合法合規的資料共享機制。

授權機制成關鍵，採「自願參與、明確授權、可退出」三原則

目前國際上對於AI使用訓練資料還沒有一套一致的規範，大致可分成兩種模式，一種是允許AI業者大量蒐集公開資料（爬取），再透過著作權例外或合理使用處理。另一種則是要求或鼓勵取得授權，以降低著作權爭議。

由於民間出版內容涉及著作權，臺灣並非採用公開爬取方式，而是透過授權模式取得AI訓練資料。

數發部推動的「臺灣主權AI訓練語料庫」從政府資料擴散至民間資料，數發部表示，民間語料有豐富資源的出版業或電子平臺，民間的內容非常有價值、有品質，並具有在地觀點。

目前民間語料徵集以出版社及電子書平臺為主要合作對象，採無償授權方式推動。作者若希望提供作品，可由出版社協助上架至語料庫，目前徵集內容包括4類，包括經同意授權的出版品、出版品簡介、出版品試閱內容、已逾著作權保護期間並可作為公共財活化運用的典籍與創作。

數發部徵集民間語料授權有三項原則，第一是「自願參與」，由內容提供者自行決定是否加入，不採強制提供；第二是「明確授權」，透過《臺灣主權AI訓練語料授權條款》建立資料提供者與AI訓練使用者間的授權依據，讓資料可合法用於AI模型訓練；第三是「可退出」，提供退出及下架申請機制，讓著作權人保有後續管理權。

根據政府資料開放平臺上公告的「臺灣主權AI訓練語料授權條款-第1版」內容，授權範圍主要允許語料用於AI訓練所需的重製、改作、編輯等必要利用；模型訓練產出的模型、權重等成果，在符合條款規範下，不因原始語料後續停止提供而受到影響。不過，若生成成果與原始作品實質近似，並造成市場價值損害，仍可能受到著作權限制。

從政府資料走向民間內容，建立可信任AI基礎

除了授權機制外，數發部也規畫讓更多出版業者、文化機構及內容提供者加入，擴充臺灣主權AI訓練語料。

目前語料庫已涵蓋文化藝術、語言詞彙、歷史文物、地方文化、教育等多元領域，未來將持續增加更多具臺灣特色的內容。

數發部希望透過政府與民間共同投入，建立一套兼顧AI發展需求與內容創作者權益的語料供應模式，讓AI模型不只是能理解中文，更能理解臺灣。