數發部推動主權 AI，預計第 4 季釋出台灣語料庫

Teddyhug

數發部推動主權 AI，目前正在預告「促進資料創新利用發展條例」草案。數發部今天表示，透過「台灣主權 AI 訓練語料授權條款」，各部會正在盤點適合的資料，未來可上架到台灣主權 AI 語言資料庫，預計第 4 季釋出，後續開放民間與政府機關等申請使用。

數發部預告「促進資料創新利用發展條例」草案，自6月16日起預告到8月15日止。數發部今天上午召開記者會說明草案內容，數發部政務次長林宜敬、資料創新司司長莊明芬出席。

林宜敬表示，AI發展快速，但AI模型訓練需大量資料，希望把政府、民間擁有著作權的資料釋放出來，現在提出草案，讓公務員在不損害個資前提下，讓政府擁有著作權資料可釋放出來，希望多訓練出有台灣觀點的AI模型。

莊明芬說明，立法希望完善資料創新生態系，擴大資料開放與共享，立法重點有4項。第1，擴大政府資料開放，助攻AI模型訓練；第2，政府可鼓勵產業間建立可互通的資料共享機制，活絡跨域資料共享；第3，機關透過節省資料取得費用等措施，促進資料創新利用。

第4，打造資料創新生態，數發部擬訂「資料創新利用發展基本計畫」，指定政府機關擬訂執行計畫，另外也透過行政院資料創新利用諮詢會參與計畫與中長期政策制定，未來行政院所屬二級機關、縣市政府都須設「資料長」。

除了草案之外，媒體也關注，數發部同時規劃的台灣主權AI訓練語料庫進度。

莊明芬說明，過去多年推動的政府開放資料是採取標準化授權，可完全公開讓AI運用，但大型語言模型需要的不見得是開放資料中的結構化資料或統計等，更需要的是連貫性的文字段落等文本性資料，5萬多筆開放資料中這類文本資料約1,000多筆。

為適當消弭AI訓練資料在著作權法上的爭議，數發部近期研擬「台灣主權AI訓練語料授權條款」提供給各機關參考。

莊明芬指出，這類非專屬授權不是授權給特定人使用，部會透過台灣主權AI訓練語料授權條款盤點哪些資料適合上架，若有著作權議題也要先處理。外界關心的客委會、教育部、原民會、文化部等也在盤點手上的語言資料，希望第4季釋出語料庫。

至於釋出的語料量，莊明芬指出，語料庫可能以量化單位Token來做為AI訓練量的單位，不是用過去釋出多少資料量來描述。預期語料庫有些是政府開放資料、政府施政報告或政府出版品等，語料量需要時間慢慢累積，隨著資料增加，未來將逐步納入語料庫。

錄自：科技新報