一個月翻倍！數發部揭：台灣主權AI語料庫規模大躍進
「台灣主權AI訓練語料庫」上線至今約一個多月，語料量成長速度明顯。（AI示意圖）
〔記者邱巧貞／台北報導〕為強化人工智慧（AI）發展的核心基礎，數位發展部（簡稱數發部）於2025年12月24日正式發布「台灣主權AI訓練語料庫」，廣納高品質正體中文語料，讓AI模型在訓練過程中，更貼近台灣的語言使用、文化脈絡與生活情境。
語料庫上線至今約一個多月，成長速度明顯。數發部資料創新司司長莊明芬今表示，平台初期累計上架逾2,000筆資料集、超過6億個tokens（詞元），目前語料規模幾乎翻倍，已突破11億個tokens，平台也會每週更新語料數量，反映各政府機關持續釋出資料的進度與投入程度。
這些語料資料充分反映台灣社會與文化的脈絡，涵蓋文化藝術、教育、語言詞彙、歷史文物、觀光旅遊與教育學習等，其中，來自文化部與教育部的資料占有相當比重，語言詞彙的部分還包含多種字詞典，是使用者查詢頻率極高的類型。
在使用熱度方面，語料庫網站目前累積瀏覽量已超過3.5萬次，莊明芬指出，這也顯示學界、研究單位、政府機關，甚至企業界，對於政府釋出高品質語料抱持高度關注，也為後續AI模型開發奠定良好起點，至今申請使用語料庫的單位約有二十多個，背景橫跨學術界、大專院校與產業界。
展望未來，數發部規劃自2026年第一、第二季起，逐步將AI語料來源由中央機關擴展至地方政府，並將舉辦說明會、正式發函邀請各縣市報名參與。首波將以制度說明與語料上架流程介紹為主，後續也不排除進一步規劃工作坊，協助地方政府實際操作與資料上傳。
莊明芬進一步指出，在與民間單位合作方面，官方預計於今年下半年逐步展開；上半年仍以中央與地方政府為優先對象，先行累積具體成果，建立外界對語料庫的信心，再逐步推廣至產業與學術單位。
目前語料內容仍以文化、教育、語言、歷史與地理等面向為主，後續也將與中央研究院、台灣文學館等單位洽談合作，進一步擴充資料的深度與廣度。不過她也坦言，各機關在釋出資料前，仍須完成授權條款確認與內部盤點等作業，相關流程仍需一定時間推進。
