立委質疑國際AI模型偏愛中國語料？科技巨頭曝關鍵：著作權因素
數位發展部於2025年12月發布「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。（本報資料照）
〔記者邱巧貞／台北報導〕為強化人工智慧發展的核心基礎，數位發展部於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。目前整體訓練資料量已累計突破11億個tokens（詞元）。
數發部長林宜敬今（18）日列席立法院交通委員會進行專題報告時，針對主權AI發展現況接受質詢。有立委指出，我國現階段大型語言模型所使用的訓練資料量約為11億tokens，與國際動輒數百億甚至更高規模相比仍有明顯落差；此外，資料來源多集中於政府機關，且多為重複性高的行政資料，對模型能力提升有限，恐影響台灣在AI競爭中的發展。
對此，林宜敬回應，國際主流大型語言模型確實仰賴極為龐大的訓練資料，但其中高品質的繁體中文語料相對稀缺，且目前大量語料來自中國的簡體中文資料，容易帶入特定觀點。因此，台灣現階段的發展重點，是補足繁體中文語料，讓模型在語言與價值觀上取得平衡。
林宜敬表示，未來將持續擴大資料來源，目前優先納入政府開放資料及具授權的研究資料如中研院，並規劃透過制度設計，引導民間提供資料，逐步擴充語料庫的規模與品質。
他也提到，過去與Google等國際大型模型業者交流時，曾詢問對方為何不用台灣的繁體中文語料？對方提出兩個關鍵原因：第一是中國的簡體中文語料量本來就較大；第二是中國對著作權相對沒有那麼重視，使用相關語料進行訓練時風險較低，也較不需擔心被告或產生糾紛。相較之下，台灣在著作權保護較為嚴謹的情況下，資料取得成本與授權程序也相對複雜。
在制度面上，林宜敬指出，AI發展對既有著作權制度帶來衝擊，已是全球共同面臨的課題，相關規範的釐清通常需時3至5年，仰賴產業與法律體系逐步調整。此外，著作權相關制度調整由智慧財產局主責，數發部將與其密切合作。在法制尚未明確前，政府將優先處理爭議較低的資料來源，例如政府持有著作權的資料，作為現階段推動主權AI的基礎。
