數發部主權 AI 訓練語料庫啟動民間語料徵集

數發部宣布啟動「臺灣主權 AI 訓練語料庫」的民間語料徵集行動，從過去以政府公開資料為主，進一步擴大納入民間出版社、電子書平臺及作家的授權作品，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。該語料庫自去年底上線，第一階段以中央及地方政府資料為主要來源，資料集已從 2 千個增加至 5 千個，累積約 22 億 Token。

擴大到民間內容的理由，在於政府資料的性質限制。公文書、統計報告與法規條文的語言風格高度制式，雖然事實密度高，卻難以涵蓋日常語言的多樣性；而文學作品、報導與各類出版品所承載的語感、敘事方式與文化脈絡，正是政府資料最缺乏的部分。

「主權」的訴求則指向一個實際的落差。當模型主要以其他語言與文化的內容訓練，其對本地脈絡的理解就會出現偏差——歷史事件的詮釋、社會議題的框架、甚至用詞的細微差異，都可能與本地的認知不符。這在教育、公共服務與文化應用上會產生實質影響。

授權機制是這項行動能否成立的關鍵。生成式 AI 的訓練資料來源在全球都引發訴訟與爭議，而以明確授權取得內容，能避開這個風險並讓權利人取得對應的回報；相較於未經同意的抓取，這種模式在法律與倫理上都更為穩固。

不過，22 億 Token 的規模在當前的標準下並不算大。主流大型模型的訓練資料量以兆為單位，而本地語料的價值因此更可能體現在微調階段而非從頭訓練——以相對少量但高品質的本地內容，調整既有模型對本地脈絡的理解。

後續觀察重點在於徵集的實際參與度與授權條件。出版業者是否願意提供內容，取決於報酬、使用範圍與競爭疑慮的處理方式；而這批語料最終如何被使用、由誰使用，也將決定這項投入的公共效益。