數發部推出臺灣主權AI語料庫，已上架文化、藝術、地理、交通等逾2千個資料集

數發部推動我國主權AI發展再進一步，今天(12/24)正式推出臺灣主權AI語料庫，目前語料庫已有文化部、教育部、客委會、原民會、交通部、海委會等超過200個政府機關參與，提供超過2千筆的資料集，相當於6億的Tokens，涵蓋文化藝術、教育、地理、語言、醫療、交通等資料。

今天開始對外釋出的語料庫，上面分為2部分，一部分為僅供AI訓練使用的授權資料，需提出申請，通過審核方能使用，另一部分為開放資料，開放自由下載。外界欲使用必需先提出申請，先以自然人憑證或工商憑證確認身分，提出語料使用的目的，經數發部約7天的時間進行審核，開放申請者下載資料集。目前這些資料提供的電子檔，包括PDF、JSON格式。

數發部資料創新司司長莊明芬指出，由於語料庫採用授權條款，必需提出申請，提供語料使用目的文件後，經審核提供授權帳號給申請者。語料庫採與國際共享資料接軌的FAIR原則，即Findable (易查找)、Accessible (易取得)、Interoperable (可互通)、Reusable (可再利用)，採通用的PDF及JSON格式，讓開發者容易查找、容易使用，並可供AI訓練再利用。

目前語料庫上提供的語料，多為中央政府部會及機關釋出，未來將擴大至地方政府，並鼓勵民間將資料上架至語料庫。

為何需要主權語料庫？

數發部次長侯宜秀表示，數發部促進國內AI發展的5項策略，算力、資料、行銷、人才、資金，在資料方面，促進資料創新利用發展條例草案目前已由行政院審議討論中，相信很快會送交立法院；另外，為促進政府機關之間的資料分享交換，數發部也正進行資料匯流隱私強化工作，這些都為臺灣提供資料應用發展的基礎。

在全球各國競相發展AI的時代下，外界關心各國AI發展的護城河是什麼？侯宜秀認為，算力不算是護城河，真正的護城河是資料及人才，臺灣獨有資料除了我們自己，沒有其他國家或科技公司會提供協助，必需我們自己來作；不只是過去的資料，更重要的是讓未來持續產生資料，建立良好機制，讓資料能夠被用來發展AI，這正是主權AI語料庫要建立的機制。

侯宜秀補充說明，主權AI語料庫一開始會先在政府部門內建立協作機制，促進政部部門將過去的資料、持續新增的資料放到語料庫，接下來是與民間單位合作，讓民間資料納入語料庫，鼓勵開發者、研究，甚至讓Google、DeepMind等AI科技運用這些資料，讓LLM模型更符合臺灣的需求，同時也促進新創公司有足夠資源發展符合臺灣需求的AI，增加臺灣文化、價值在世界的能見度。

莊明芬表示，語料庫是AI發展的重中之重，以「土豆」為例，在中國指的是蕃薯，在臺灣指的是落花生，因此餵養AI的資料會影響其所產生的答案。加強AI語料中繁體、正體中文的比重相當重要，可讓大型語言模型能理解臺灣的價值、政經文化。

3大策略以資料推動主權AI發展

因此，數發部有3大策略，第1個策略是建立臺灣主權AI語料入口網，打造臺灣語料發展的基礎建設，支援主權AI模型的訓練需求；第2個策略是對A發展中的著作財產權處理，提出促進資料創新利用發展條例，對資料合法合規共享提出清楚的規範；第3個策略是強化語料來源，促進公私部門語料釋出，提升語料庫的深度及廣度。

首先是第1個策略的語料庫方面，目前數發部已建置臺灣主權AI語料庫入口網，並強調上面提供「高品質、在地的正體中文資料」，涵蓋具有臺灣文化特色及觀點，例如政治、社會、經濟、歷史等等，這些正體中文資料為語意連貫、內容完整，而非數字、圖表或條列式的文字。語料庫的資料必經過人工審核為人工創作的資料，並以電子檔釋出。

第2個策略是促成資料的共享利用，數發部提出促進資料創新利用發展條例草案，其中的精神是促進資料開放、共享、再利用，促進政府資料開放、產業及民間資利他運用。

莊明芬補充說明，促進資料創新利用發展條例草案第26條，對於政府機關將政府資料作為開放資料，應採標準授權對外釋出，可作為人工智慧及其他新興科技研發使用；第27條規定，政府機關將政府資料作為共享資料提供利用，應以非專屬授權利用方式，以供AI等新興科技利用。

數發部也與經濟部智財局合作，共同制定臺灣AI語料庫的授權條款，目前為第1版，強調提供一次性授權，希望在促進AI發展及著作權保護間取得平衡。莊明芬表示，透過一次性授權減少個別著作權商議的行政成本，同時解決AI使用語料的著作權爭議。

其中在授權人方面，在授權人的明確同意下，讓其提供的語料能被人工智慧訓練所使用，包括授予被授權人重製、改作、編輯及其他著作權和著作相關權利上必要的使用權，使其合法用於AI訓練；而被授權人則有明確標示的義務，包括使用的資料集及提供者，而以AI產出內容也應標示人工智慧生成產出，落實透明原則。另外，也要求訓練的成果不應與原語料實質近似，對原語料的市場或價值造成負面影響。

第3個策略促進公私部門資料釋出，數發部已舉行說明會，對政府部會及機關說明政府資料釋出，並透過工作坊加速政府機關將資料上架。

促進公私部門資料釋出，第一階段先以中央部會機關為主，明年將開始擴大到地方政府及機關 ，以及向民間業者推廣。