助力 AI 模型學台灣用語，數發部推動台灣主權 AI 訓練語料庫

數位發展部發表「台灣主權 AI 訓練語料庫」，廣納高品質、在地化正體中文語料，支援 AI 模型訓練更貼近台灣的語言、文化及生活情境，促進 AI 模型具備更高的本土辨識力與語意理解能力，以符合台灣社會與產業需求。

舉例來說，「土豆」在台灣指的是「花生」，但中國是指「馬鈴薯」。如今國際上的大型語言模型所採用的正體中文語料比例偏低，內容偏向簡體中文，易出現類似「土豆」例子的誤用狀況。因此 AI 模型訓練資料加入正體中文語料，有助於大型語言模型理解台灣的價值、政經文化，這也正是政府積極建立正體中文語料庫的用意。

數發部推動「台灣主權 AI 訓練語料庫」，已有超過 200 個政府機關投入，上架逾 2,000 筆資料集、超過 6 億 token 數，收錄各機關具台灣文化特色的高品質資料集，語意連貫、內容完整，涵蓋語言、文化、教育、生物、地理環境等領域，並設有入口網（ taic.moda.gov.tw ）提供個人、公司法人申請使用。

這些在地化資料就像 AI 的教材，幫助 AI 模型更了解台灣，學會更自然、更貼近台灣社會的語言表達能力。

數發部指出，先中央機關協作，將過去資料及新增資料納入以文字為主的語料庫。例如文化部上架的公共藝術與文化資產類型資料集，展現台灣豐富、多元的藝文風貌，可作為訓練 AI 模型認識台灣文化內容的重要素材；教育部提供的語言辭典資料涵蓋台語、客語等，有助於強化 AI 模型的用詞精準度與語意理解能力。明年起將與地方政府、民間單位合作擴充語料庫，並與國內外廠商對接、投入訓練與應用。

為了擴大政府資料開放與共享，並促進產業與民間資料運作，數發部推動的《促進資料創新利用發展條例》草案已送至行政院審議，後續將送立法院。數發部更與經濟部智財局推出《臺灣主權 AI 訓練語料授權條款－第 1 版》，讓語料釋出有明確的授權依據，降低個別著作權商議所要付出的龐大行政成本，減少 AI 訓練資料可能產生的著作權爭議，藉由授權條款先行機制，全力加速主權 AI 的發展與應用。

資料與人才將是 AI 發展的護城河，數發部積極推動正體中文語料庫，未來也會朝多媒體如影像、圖像等資料形式發展，並在合作框架下，引導地方政府與民間單位參與起中。

（首圖左起數發部政務次長侯宜秀、資料創新司司長莊明芬，來源：數位發展部）