台灣大學一位博士生在臉書社團分享繁體中文資料集（fineweb-zhtw），遭中央社提告。中央社指控該生使用的資料集包含自二○一一年至二○二一年間、十四萬筆中央社的新聞內容，而這些內容並未獲得授權，違反了中央社的著作權與智財權。

這是台灣第一件因人工智慧（ＡＩ）語言訓練大模型引發的司法案件，中央社是國家通訊社，因此該案在ＡＩ科技界引發關注；台灣法律科技領導品牌且有「法學版Google」之稱的七法公司，因抓取競爭對手的資料庫，除創辦人被判刑外，還須賠償一億多元，也是近日科技圈的重大事件。儘管台大生已於日前與中央社達成和解；而相關ＡＩ資料庫所涉的司法案件，已突顯台灣打造主權ＡＩ訓練語料庫的重要性及必要性。

近日許多人搜尋資料時可能都已發現，搜尋網站上首先跳出來的是「ＡＩ概覽」（AI Overview），根據Google的說明，ＡＩ概覽是Google推出的一種新功能，利用生成式ＡＩ技術，在傳統搜尋結果頁面上方提供一個由ＡＩ總結的答案，使用者可在不進入網站的情況下，直接快速獲取所需資訊。生成式ＡＩ正在改變人類知識生產的過程與方式，目前主流的ＡＩ模型，多以英文為主要訓練基礎，中文部分則以簡體中文為主流，數位語料庫中幾乎不見台灣語料。這種情況沒有改善甚至沒有改變，隨著ＡＩ模型的使用愈來愈普遍，台灣的語言、文化與價值觀在數位世界中逐漸被邊緣化。當人們透過ＡＩ搜尋資料、特別是與台灣、中文世界等相關資訊時，將難以找到來自台灣的資訊。

例如數發部經過二、三十種ＡＩ模型測試後發現，當詢問二次大戰在中國戰場的主力軍隊是「國軍」還是「共軍」時，不少模型會回答「共軍」，明顯與史實不符，然而，因為這些模型是經由簡體中文語料進行的訓練，因此呈現的是中共的觀點。如果各個領域都出現類似的情況，則台灣的觀點與價值，恐怕將會在世人的知識體系中缺席或被人忽略。

為了盡快解決這個困境，數發部正在進行兩項工作，一是研擬《促進資料創新利用發展條例草案》，二是打造台灣的主權ＡＩ訓練語料資料庫，預計今年第四季釋出可以上架到台灣主權ＡＩ語言資料庫，並開放民間與政府機關等申請使用。為了建構ＡＩ語料，需要大量訓練資料，而在使用這些資料時，又可能會違反著作權，如前述台大博士生等案例，因此數發部也決定研擬《台灣主權ＡＩ訓練語料授權條款》以備供需雙方參考，妥適消除ＡＩ訓練資料引發的爭議。

除了官方，民間也意識到問題的急迫性；資訊經理人協會（ＩＭＡ）日前發起「台灣通用語料庫」（Taiwan Tongues）計畫，串連文學界、產業界與學術界，期望能夠建構一個自主、開放、高品質的語料庫，不只是要讓台灣擁有自己訓練的語言模型，更希望開放給全球大型語言模型進行訓練與學習，讓台灣的語言、文化與價值觀，能夠成為人類共同的資產，也讓台灣的聲音，不會在人類知識的大海中沉沒。

ＡＩ訓練不只要有ＧＰＵ（圖型處理器）的超強算力，也需要大量訓練語料，可以說，誰提供的語料更多、更好用，誰就掌握未來的話語權；在ＡＩ時代，台灣要維繫文化主體性及與國際對話的能力，就必須積極建構台灣主權ＡＩ語料庫；現在各國正急速擴充ＡＩ語料，我政府的動作還要更加快些。