111项私人贡献暴露台湾人工智能雄心中的缺口
台湾政府的人工智能训练语料库已收录7,161条数据，但只有111条来自私人贡献者，约占总量的1.6%。对于一个旨在帮助人工智能理解台湾语言、文化和日常生活的项目来说，这一比例并不高。
目录
数字发展部于2025年12月24日启动台湾主权人工智能训练语料库，200多个政府机关贡献了2,000多组数据集，包含6亿个词元。词元是人工智能系统处理的文本小单位，有时是一个字符，有时是一个词的一部分。
政府参与帮助语料库形成了一定规模。但要吸引出版商、作者、教学平台和新闻机构参与，问题就更加棘手：开发者需要获得许可，才能复制有价值的作品用于训练；内容所有者则希望获得报酬，并掌控作品的使用方式。
在2026年10月14日的一场立法听证会上，数字发展部长林宜敬表示，私人参与是自愿的，政府希望大型人工智能公司，尤其是美国公司，为训练内容付费。新闻内容不在目前的私人语料征集计划之内。
实际影响不止关乎数据库的规模。基于台湾写作内容训练的模型能够学习本地词汇、解释文化传统，并结合台湾的机构背景回答问题。但创作这些材料的作者和机构也依赖其商业价值。台湾正试图扩大这些作品的使用范围，同时厘清谁应该付费、许可涵盖哪些内容，以及哪些版权规则需要进一步明确。
政府语料库包含哪些内容
数字发展部在12月的启动公告中介绍，语料库涵盖语言、文化、教育、生物和地理等内容。它利用十多年来积累的政府开放数据，用户可以搜索和下载相关材料。
文化部提供了公共艺术和文化资产相关数据集。教育部则贡献了涵盖台湾闽南语、客家语和华语的词典数据。这些资源为开发者提供了有关本地词义和用法的材料，以及关于地名、物品和传统的信息。
数字发展部的语料库计划介绍还将原住民族委员会和客家委员会列为参与机关。计划涵盖的主题包括历史、文化遗产、旅游和地方文化。数字发展部表示，有用的训练文本应当连贯、完整、流畅。
2026年9月提交给立法委员的数据显示，语料库包含5,000多组数据集和超过24亿个词元。与启动时公布的6亿个词元相比，按词元计量的文本量增加到四倍以上。7,161条数据和111项私人贡献则呈现了语料库构成的另一面。
本地语言为何重要
新媒体艺术家、社区知识项目Taiwan.md创办人吴哲宇认为，主流人工智能训练中，繁体中文所占比重过低。他估计，繁体中文在中文训练材料中的占比不到1%，并以此说明其项目的意义。
吴哲宇关注的不只是把简体字转换成繁体字。台湾和中国对一些日常事物的称呼不同，同一个表达也可能有不同含义。本地知识还涉及机构、历史和饮食，其中一些菜肴获得的国际关注度远不及珍珠奶茶或小笼包。
Taiwan.md利用人工智能工具从网络收集信息，并编辑有关台湾自然、社会和历史的文章。该项目的1,123篇文章参考了公开可查的学术论文、博客和政府信息。吴哲宇希望ChatGPT、Gemini和Claude等主流模型能接触到更多反映台湾经验的文字。
政府将相关目标称为主权人工智能，即发展能够根据台湾自身需求塑造的人工智能资源和能力。政府语料库提供训练材料；Taiwan.md等项目则致力于让人工智能开发者更容易找到本地知识。
刑事告诉改变了人们的考量
2025年7月，一名台湾大学博士生因散布包含14万篇中央通讯社未经授权报道的繁体中文语料库，遭到刑事版权告诉。这名学生从一个托管开放资源的美国网站收集材料，并免费分享了这套语料。
双方后来达成和解。该学生道歉，并呼吁研究人员确认数据来源是否合法，同时删除了整套语料库。
吴哲宇表示，此案让独立开发者更加谨慎。Taiwan.md团队一旦发现材料可能涉及版权问题，就会将其剔除，导致语料库扩充速度放缓。对于小型项目而言，可能面临刑事诉讼的风险，使原本就不容易的许可核查工作增添了个人风险。
几个时间节点展现了这一问题的发展过程：
- 2023年初：国家科学及技术委员会启动TAIDE语言模型项目，投入资金超过2亿新台币。
- 2025年7月：博士生因语料库含有未经授权的新闻报道而遭到告诉。
- 2025年12月24日：数字发展部宣布推出主权人工智能语料库，包含6亿个词元。
- 2026年9月：数字发展部公布的数据集数量超过5,000组，词元总数超过24亿。
- 2026年10月14日：林宜敬部长告诉立法委员，私人贡献属自愿性质，争取付费内容协议是政策目标。
版权如何涉及人工智能训练
路国律师事务所资深律师陈启桐认为，复制是核心法律问题之一。开发者通常需要先复制文本，才能用来训练模型。版权法赋予权利人控制复制行为的权利，但合理使用等例外情形除外。
在特定情况下，合理使用允许未经许可使用受保护作品。陈启桐表示，台湾现行条文没有明确规定人工智能训练，开发者因此无法确定法院是否会认可此类使用。
训练和生成答案也涉及不同的行为。训练过程中，系统处理范例以学习模式；生成过程中，系统为用户产出文本。陈启桐建议立法分别规范这两个阶段，并纳入输出内容与受保护作品高度相似的风险。
经济部智慧财产局表示，可能的法律调整仍在研议中。数字发展部指出，智慧财产局负责版权政策。监察院的调查也敦促积极调整法律框架；行政院已将这项工作交由该局负责。
自愿授权，而非转让所有权
林宜敬部长告诉立法院交通委员会，私人语料征集计划从出版社和电子书平台着手。他列出了正在征集的四类材料：
- 版权保护期限已届满的书籍。
- 由出版社提供的书籍简介。
- 从书籍中选取的试读段落。
- 由个别作者自愿授权的作品。
林宜敬表示，数字发展部寻求获得将作品用于人工智能训练的许可，作者仍保留版权所有权。授权许可允许另一方在约定条件下开展特定活动，其范围可以涵盖允许的用途和期限等事项。
民主进步党立法委员林楚茵质疑，贡献者将如何获得报酬、日后撤回许可时该如何处理，以及训练成果用于其他产品时如何保障贡献者的利益。台湾民众党立法委员洪毓祥则提议建立一项服务，负责品质检查、权利清理、付费取得内容，以及管理不同类型的授权。
数字发展部已公布《台湾主权人工智能训练语料库授权条款》第一版，并与智慧财产局合作制定范例，协助各机关采用。标准条款旨在减少重复协商和版权纠纷。数字发展部也在规划贡献奖励机制。公开提及的方案尚未敲定付费标准、撤回许可的安排，以及训练成果用于其他产品时的规则。
付费合作已有小规模先例
开放文化基金会董事长李柏锋表示，要求出版社免费提供有价值的材料，不太可能吸引足够多的参与者。他举例指出，一项小型训练项目通过协商交换，获得了媒体和教育平台的合作。
合作条款包括一次性授权费、数据使用期限不超过两年，以及让参与的内容提供者优先使用最终模型。这项安排让贡献者获得报酬、明确的数据使用期限，以及有用的回报。
远流出版公司董事长王荣文也主张，政府和商业开发者应将内容授权费用纳入预算。他认为，担心遭到刑事告诉，限制了私人开发者，也给试图支持人工智能项目的官员带来顾虑。
林宜敬告诉立法委员，让大型人工智能公司付费取得内容，是政府的最终目标。他表示，围绕新技术产生的版权纠纷可能持续三到五年，因此数字发展部先从争议较少的材料着手。他所说的时间范围是指争议可能持续的年限，并非立法或付费机制的完成期限。
法律例外与集体授权是两种不同方案
陈启桐建议在台湾《著作权法》中增设人工智能专章，确立文本与数据挖掘例外，要求披露训练来源，并降低符合条件的活动面临刑事诉讼的风险。
文本与数据挖掘是指利用软件分析大量材料并识别其中模式。欧盟、日本和新加坡都对某些形式的此类活动设有例外规定，但各地规则和条件有所不同。陈启桐认为，这些做法可以作为台湾讨论时的参考。
李柏锋建议先采取行政措施：发布指引，说明主管机关认为哪些训练用途属于合理使用，哪些可能构成侵权。他以日本文化厅及其2024年人工智能版权检查清单和指引为例，指出这类做法能让开发者和创作者更清楚了解具体要求。
陈启桐还建议采取集体授权机制，参考音乐产业的中华音乐著作权协会（MÜST）。在这种模式下，机构代表众多权利人管理授权、收取费用并分配报酬。人工智能领域若设立类似服务，就能减少逐一与数百家出版社或作者协商的工作量。
台北科技大学智慧财产研究所兼任助理教授张仲信持不同看法。他认为，开发者应依据现有版权规则付费，而不是寻求修改法律。他主张通过协商取得有价值的出版内容和新闻内容，才是解决问题的关键。
TAIDE显示内容获取和资源投入同样重要
台湾早期的可信任人工智能对话引擎（TAIDE）显示，一个模型可能在很大程度上依赖少数容易取得的数据集。该项目于2023年初作为国家科学及技术委员会项目成立，初期开发经费超过2亿新台币。
TAIDE从15个政府机关取得训练材料。约400万篇中央通讯社报道占其文本数据的70%。这些材料在取得时考虑了版权问题，显示有组织地获取大量新闻档案，能够支持本地模型的开发。
中央研究院台湾资讯安全中心的计划主持人李育杰说明了开发本土替代方案的价值：
一开始我们可能无法与大型引擎匹敌，但拥有自己的对话引擎，至少意味着我们有选择。
早期模型以Meta的Llama 2为基础，拥有70亿个参数，也就是模型在学习过程中调整的数值设置。国家高速网络与计算中心当时拥有1,028颗V100图形处理器，并于2023年11月为该项目购入9颗H100处理器，同时维持其常规服务。
国立中兴大学的Demeter GPT农业问答项目后来从ChatGPT转用TAIDE。副教授范耀中表示，经过额外训练后，模型的中文准确度更高。该实验室此前每次向OpenAI提问需支付1至2新台币；在本地运行TAIDE后，运营支出转为自有电脑设备和电费。
台湾的语料库计划旨在为这类应用提供文本来源。政府词典和文化记录提供了基础。要更广泛地获取出版内容、专业教学材料和新闻报道，则取决于开发者负担得起、内容所有者也愿意接受的协议。
要点
- 语料库7,161条数据中有111条来自私人贡献者，约占1.6%。
- 政府于2025年12月启动语料库时公布的规模为6亿个词元；到2026年9月，总数已超过24亿。
- 林宜敬部长表示，私人参与属自愿性质，作者仍保留版权所有权。
- 新闻内容不在目前的私人语料征集计划之内，数字发展部则寻求与人工智能公司达成付费协议。
- 2025年7月，涉及14万篇未经授权新闻报道的刑事告诉，加深了独立开发者的顾虑。
- 相关提案包括进一步明确合理使用指引、设立数据挖掘例外、推行集体授权，以及依据现行法律直接付费。
