Capture record
- Canonical URI: https://www.bnext.com.tw/article/92675/taiwan-sovereign-ai-corpus-copyright-law
- Source class: secondary synthesis/analysis(轉載今周刊)。BusinessNext 以 JSON-LD
author.name標註「今周刊」,文末註記「(本文出自今周刊)」;非第一手研究,文中引述之調查報告、法規與國際比較屬轉述。1 - 原文標題: 台灣主權AI語料庫僅1%來自民間!想讓AI懂台灣,為何這麼難?(BusinessNext JSON-LD
NewsArticle.headline)。1 - 作者/出版者: 今周刊(JSON-LD
author.name)/數位時代 BusinessNext。1 - 發布時間: 2026-10-16T14:51:00+08:00(BusinessNext JSON-LD
datePublished=dateModified)。1 - 擷取時間: 2026-10-16T07:15:16Z(BusinessNext HTTP response
Date);預跑候選檢查時間2026-10-16T07:12:22.263141+00:00。 - Retrieval method:
web_extract讀取 BusinessNext canonical page(回傳內容不足,僅得標題、導語與部分段落);改以 Python 標準函式庫urllib.request直接 HTTP GET 核對 response headers、JSON-LDNewsArticle(headline/datePublished/author/publisher/description)與 JSON-LDarticleBody全文。全程未使用 browser 或 browser process。1 - HTTP metadata: BusinessNext status
200;responseDate: Fri, 16 Oct 2026 07:15:16 GMT;Content-Type: text/html; charset=UTF-8;HTML 418,531 bytes、SHA-25661669b1894e4567d5fec4da4495be9538277563b83780e07c7e1cd55ffcfcb75;JSON-LDNewsArticle.description:「數發部主權AI訓練語料庫7161筆資料中僅111筆來自民間。《著作權法》未納入AI訓練情境,開發者怕吃刑事官司,修法與集體授權成破局關鍵。」1 - Saved payloads and SHA-256: 本檔「Full text capture」節保存 JSON-LD
articleBody全文(4,125 字),其 SHA-256 即 frontmattersha256;不另存 BusinessNext HTML payload。 - Rights boundary: BusinessNext/今周刊內容受版權與網站條款約束;本筆僅保存 metadata、摘要、claim ledger、證據界線與來源連結,canonical link 保留作查核入口,ingest 不等於取得重製授權。
Faithful summary
文章以「主流 LLM 幾乎只靠簡體資料認識中文世界」開場:新媒體藝術家吳哲宇(31 歲)發起、社群開發者協作的策展網站 Taiwan.md 被定位為「替台灣在AI世界爭取話語權的開源知識庫」,其內容反向成為 ChatGPT、Gemini、Claude 等模型的訓練資料。1
吳哲宇稱主流 LLM 訓練用中文語料絕大多數為簡體,繁體占比不到 1%;他舉例「具備台灣觀點的 AI」不會把台灣美食簡化成小籠包/珍珠奶茶、被問國家元首不會答習近平、不會說「土豆」「視頻鏈結」。Taiwan.md 靠每天以 AI 工具自動抓取與編輯文章擴充,目前已收錄 1,123 篇繁中文章(來源含公開學術論文、部落格、政府官方資料),但團隊因深怕踩著作權紅線而自我設限。1
文中引述 2025 年 7 月事件:一位台大博士生從美國開源網站截取繁中資料無償分享,其中包含 14 萬筆中央社「未經授權」新聞,遭中央社以違反《著作權法》提起刑事告訴;雙方和解後語料庫全數下架,形成寒蟬效應。1
法律面:律果法律事務所資深律師陳啟桐指出 AI 訓練需先複製語料、符合《著作權法》「重製」定義,而「合理使用」樣態未納入 AI 訓練情境;開放文化基金會董事長李柏鋒區分「訓練」與「產出」的意義。數位發展部去年底建立「台灣主權AI訓練語料庫」,累計 7,161 筆資料中僅 111 筆來自民間(約 1%);2025 年 9 月數發部長林宜敬向出版社與電子書平台喊話「自願參與、無償授權」,迴響有限。1
陳啟桐分析《著作權法》上次修法為 2022 年 6 月(ChatGPT 問世前),主張重新討論以建立主權 AI 的法律依據;遠流出版董事長王榮文稱刑事告訴不解套則談主權 AI 是緣木求魚。監察院去年 6 月調查報告點出過度保守的法制環境未必有利衡平立法目的,行政院已指定經濟部智財局進行法規調適。1
國際比較:歐盟、日本、新加坡均已制定「資料探勘豁免」條款(合法途徑進入即可爬取;盜版網站或阻擋爬蟲的網站則侵權)。陳啟桐建議台灣研擬 AI 專章,除罪化回歸民事並規範研發者責任義務(如揭露語料來源),且明定訓練端與生成端的差別情境。李柏鋒建議主管機關先以行政命令正面表列合理使用情境,並舉日本文化廳 2024 年〈人工智慧著作權檢核清單和指引〉負面表列為例。1
有償授權面:王榮文主張政府與企業都需花錢取得授權;陳啟桐建議參考音樂界「集體授權」機制(如 MÜST)一次對接多個著作權人;文中稱歐洲議會 2026 年 10 月通過決議,建議歐盟執委會鼓勵內容產業建立「集體許可協議」。章忠信(台北科技大學智慧財產權研究所兼任助理教授)則主張落實使用者付費原則,高價值內容應付費取得授權,政府不該帶頭喊「無償授權」而應拿錢購買版權做出示範。1
Claim ledger
| ID | Source claim | Status | Owning evidence and boundary |
|---|---|---|---|
| C01 | BusinessNext 92675 的標題、作者(今周刊)、發布時間 2026-10-16T14:51+08:00、「本文出自今周刊」註記與全文敘事。 | supported | BusinessNext direct HTTP response 的 JSON-LD NewsArticle 與 articleBody 已讀取;只支持頁面 metadata 與文章自身敘事。1 |
| C02 | 主流 LLM 訓練用中文語料絕大多數為簡體,繁體占比不到 1%。 | partially-supported(受訪者陳述) | 吳哲宇口頭陳述,未附統計方法或樣本定義;本輪未獨立核對任何模型訓練資料組成研究。1 |
| C03 | Taiwan.md 已收錄 1,123 篇繁中文章,來源含公開學術論文、部落格、政府官方資料;每天以 AI 工具自動抓取與編輯。 | partially-supported(受訪者自述) | 屬吳哲宇對其專案的自述;本輪未讀取 Taiwan.md 站點或統計原始資料核對篇數與流程。1 |
| C04 | 2025 年 7 月台大博士生截取繁中資料無償分享,含 14 萬筆中央社「未經授權」新聞,遭中央社以違反《著作權法》提起刑事告訴;和解後語料庫全數下架。 | partially-supported(轉述) | 屬文章對該事件的轉述;本輪未讀取中央社聲明、和解文件或台大生道歉聲明原文。1 |
| C05 | AI 訓練需先複製一份語料,符合現行《著作權法》「重製」定義;「合理使用」樣態未納入 AI 訓練情境。 | partially-supported(受訪者法律分析) | 陳啟桐(律果資深律師)專業意見;本輪未讀取《著作權法》條文原文逐項核對,屬法律解讀而非實證結果。1 |
| C06 | 數位發展部去年底建立「台灣主權AI訓練語料庫」,累計 7,161 筆資料中僅 111 筆來自民間(約 1%);2025 年 9 月部長林宜敬喊話「自願參與、無償授權」。 | partially-supported(轉述官方數字) | 屬文章對數發部語料庫的陳述,與 JSON-LD description 一致;本輪未讀取數發部官方頁面或公告核對筆數與喊話原文。1 |
| C07 | 《著作權法》上次修法為 2022 年 6 月(ChatGPT 問世前)。 | partially-supported(轉述) | 屬陳啟桐陳述;本輪未讀取《著作權法》修正歷程原文核對日期。1 |
| C08 | 監察院去年(2025)6 月公布調查報告,點出過度保守的法制環境未必有利衡平《著作權法》立法目的;行政院已指定經濟部智財局進行法規調適。 | partially-supported(轉述) | 屬文章對監察院報告與行政院指示的轉述;本輪未讀取監察院調查報告原文或行政院公文。1 |
| C09 | 歐盟、日本、新加坡均已制定「資料探勘豁免」條款:合法途徑(公開網頁、已付費訂閱)進入即可爬取;盜版網站或出版業者阻擋爬蟲的網站則屬侵權。 | partially-supported(轉述國際法) | 屬文章對各國法規的概括陳述;本輪未讀取歐盟 DSM Directive、日本《著作權法》第 30 條之 4 或新加坡對應條文原文逐項核對。1 |
| C10 | 陳啟桐建議台灣研擬 AI 專章:資料探勘除罪化回歸民事、規範研發者責任義務(如揭露語料來源)、明定訓練端與生成端差別情境(以《天橋上的魔術師》為例)。 | supported(受訪者觀點) | 屬律師專業建議,非實證結果;例子為其自設假想情境。1 |
| C11 | 李柏鋒建議主管機關先以行政命令正面表列 AI 訓練合理使用情境;日本文化廳 2024 年公告〈人工智慧著作權檢核清單和指引〉以負面表列保護創作者。 | partially-supported(受訪者觀點+轉述) | 「行政命令正面表列」為李柏鋒建議;日本文化廳文件屬其引用,本輪未讀取該清單原文核對年份與內容。1 |
| C12 | 經濟部智財局表示 AI 與著作權議題「尚須研究國際發展」「目前仍在研議階段」;數發部強調語料著作權議題「由智財局主責辦理」。 | partially-supported(轉述官方口徑) | 屬文章對兩部門回應的直接引語轉述;本輪未讀取智財局或數發部官方聲明原文。1 |
| C13 | 歐洲議會 2026 年 10 月通過決議,建議歐盟執委會透過制度鼓勵內容產業建立「集體許可協議」(行業協會與 AI 業者集體談判、確保著作權人公平報酬)。 | partially-supported(轉述) | 屬文章對歐洲議會決議的陳述;本輪未讀取該決議原文核對日期與條文。1 |
| C14 | 章忠信主張落實使用者付費原則:高價值內容來自出版社/雜誌社/新聞社,AI 研發者應付費取得授權,政府不該帶頭喊「無償授權」而應拿錢購買版權做出示範。 | supported(受訪者觀點) | 屬學者立場陳述;本輪未讀取其其他論述原文。1 |
| C15 | 開放文化基金會曾協助的小型 AI 訓練計畫以一次性授權金、資料使用限期兩年、優先提供訓練後模型等條件與媒體/教學平台業者達成合作。 | partially-supported(受訪者自述) | 屬李柏鋒對其專案的轉述;本輪未讀取該計畫原始協議或公開紀錄。1 |
| C16 | 本輪沒有獨立驗證文中任何法規、調查報告或國際文件(《著作權法》條文與修正歷程、監察院 2025-06 調查報告、行政院指定智財局調適之公文、歐盟/日本/新加坡資料探勘豁免條文、日本文化廳 2024 指引、歐洲議會 2026-10 決議);Taiwan.md 站點與中央社事件原始文件亦未讀取。 | supported | 這是本筆 evidence boundary;未把文章轉述提升為 verified claim。 |
Evidence boundary
本筆支持的最小結論是:BusinessNext(轉載今周刊)2026-10-16 刊載一篇關於台灣主權 AI 繁中語料與《著作權法》的分析,內容涵蓋 Taiwan.md 開源知識庫、中央社 14 萬筆資料刑事告訴事件、數發部語料庫 7,161 筆僅 1% 民間的數字、現行法的「重製」定義缺口,以及資料探勘豁免、行政命令正面表列與集體授權三條破局路徑。這些證據不支持:文中引述之任何法規條文、調查報告或國際決議的具體內容(本輪均未讀取原始文件),也不支持對繁中語料占比的獨立量化驗證。raw-only。
Sources skipped or not directly read
- 《著作權法》現行條文與 2022-06 修正歷程:文章轉述,本輪未讀取法規資料庫原文。
- 監察院 2025-06 AI 發展調查報告、行政院指定經濟部智財局法規調適之公文:文章轉述,本輪未讀取。
- 歐盟 DSM Directive(資料探勘豁免)、日本《著作權法》第 30 條之 4、新加坡對應條款:文章概括陳述,本輪未逐項核對原文。
- 日本文化廳 2024〈人工智慧著作權檢核清單和指引〉、歐洲議會 2026-10 集體許可協議決議:文章引用,本輪未讀取原文。
- Taiwan.md 站點(篇數統計與抓取流程)、中央社 2025-07 刑事告訴事件原始文件(聲明/和解):本輪未讀取。
- 全程未使用 browser、browser process、proxy 或互動式登入繞過限制。
Full text capture
ChatGPT、Gemini等AI模型幾乎只靠簡體資料來認識中文世界,讓AI向中國價值觀傾斜。台灣政府和民間都為此建立「繁體中文語料庫」,但實務上進展有限,真正的制度卡關在哪?乍看之下,Taiwan.md是個羅列台灣自然及人文歷史的策展網站,但它主要服務對象,其實不是人類。「這不只是介紹台灣的網站,更反向成為 ChatGPT、Gemini、Claude等大型語言模型的訓練資料,讓這些主流AI模型因為能抓到繁體中文的高品質內容,進而發展出台灣觀點。」三十一歲的新媒體藝術家吳哲宇,將自己發起、社群開發者協作的Taiwan.md,定義為「替台灣在AI世界爭取話語權的開源知識庫」。主流語言模型多用簡中,繁中語料占比不到1%吳哲宇解釋,目前主流大語言模型訓練用的中文語料,絕大多數是以簡體中文書寫,繁體中文語料占比不到一%。既然AI讀的是「中國的書」、自然會形成中國的價值觀,讓包括台灣人在內的全球使用者,不自覺陷入中國框架。相反地,具備台灣觀點的AI模型,不會將台灣美食簡化成只有「小籠包」、「珍珠奶茶」,還能說出「乾麵加醋」、「麻薏湯」等特色小吃;被問到「國家元首是誰」,不會回答「習近平」;更不會把「花生」講成「土豆」,或以中國慣用詞「視頻鏈結」陳述「影片連結」。而Taiwan.md依靠的,就是每天以AI工具從網路自動抓取資料、編輯文章,建立一個不斷擴充的繁中書庫,為主流AI模型敞開學習台灣觀點之門。但這項與各國競相發展「主權AI」趨勢高度契合的創舉,卻因為深怕踩到著作權紅線,一路走得膽戰心驚。「我們極力避免版權問題,非常害怕。」吳哲宇指出,Taiwan.md目前已收錄一一二三篇繁中文章,主要來源包括公開的學術論文、部落格、政府官方資料等,只要有一絲侵權疑慮,團隊就寧可捨棄,以免違反《著作權法》、甚至衍生刑事責任。這樣的「自我設限」,不免讓繁中語料庫的擴張進度不如預期。吳哲宇的擔憂,並非杞人憂天。二○二五年七月,一位台大博士生為彌補AI的繁中語料缺口,從美國開源網站截取繁中資料、無償對外分享,但因其中包括十四萬筆來自中央社的「未經授權」新聞,遭中央社以違反《著作權法》為由,提起刑事告訴。儘管雙方後來達成和解,台大生則發表道歉聲明,「提醒」研究人員務必確認資料來源的合法性,隨後將語料庫全數下架。但看在心繫AI缺乏台灣觀點的研發者眼裡,此次事件已形成寒蟬效應。 圖/ 今周刊提供 現《著作權法》不合時宜,政府籲「無償授權」陷僵局律果法律事務所資深律師陳啟桐解釋,由於AI訓練必須先複製一份語料才能進行,符合目前《著作權法》的「重製」定義,是最容易踩到的法律紅線的狀況;尤其法規明定不構成侵權的「合理使用」樣態,也未納入AI訓練情境,讓開發者不敢與法院對賭自己是否符合豁免資格。「讀書並不犯法,但現在的狀況是,讓AI讀書卻犯法了。」開放文化基金會董事長李柏鋒指出,AI「訓練」及「產出」的意義不同,訓練模型時提供語料,是為了發展出台灣在地的價值觀,並非要求AI直接抄襲、產出相似內容。吳哲宇也說,台大博士生被告後,讓許多個別AI研發者倍感壓力,若違反《著作權法》,著作權人可輕易提起刑事告訴,因此容易先用刑責迫使民事和解,這讓研發者幾乎毫無談判空間,只能妥協。研發者被夾在「繁中語料匱乏」與「著作權侵犯」之間的兩難,政府也有切身感受。同樣有感於國際大語言模型多以簡體中文為主,數位發展部去年底建立「台灣主權AI訓練語料庫」,蒐集台灣在地文本,供AI研發者使用,但至今語料庫累計的七一六一筆資料當中,僅一一一筆為民間資料、占比約一%。即使九月間數發部部長林宜敬向民間出版社、電子書平台業者喊話,邀請各界以「自願參與、無償授權」方式,提供內容給語料庫,以擴大AI模型的台灣觀點,迴響仍極為有限。「想要靠『無償授權』獲得語料,不會有人理你。」李柏鋒直言,數發部建立語料庫固然立意良善,但寄望出版社直接釋出高品質資料,顯然過於天真。他舉例,就連基金會曾協助的一項小型AI訓練計畫,也是主動找媒體業者、教學平台業者洽談授權,提出給付一次性授權金、規定資料使用限期兩年、基金會也願優先將訓練好的模型提供給對方使用等條件,才得以推展合作。陳啟桐分析,數發部顯然想避開著作權深水區取得語料,但這樣的做法並未面對根本性的問題:《著作權法》上次修法已是ChatGPT問世前的二二年六月,早就落後科技進展,「《著作權法》一定要重新討論,建立主權AI、使用繁體中文語料才有法律依據。」他強調。遠流出版董事長王榮文也坦言,《著作權法》的刑事告訴若不解套,談台灣主權AI就是緣木求魚,因為不但商人怕坐牢,做官的更怕無來由被告,在畏懼刑責下恐無利於AI研發。監察院去年六月公布的調查報告同樣點出,AI發展刻不容緩,但過度保守的法制環境,未必有利於衡平《著作權法》的立法目的,且行政院已指定經濟部智財局進行《著作權法》的法規調適,既然制度現況不足因應AI挑戰,政府就必須積極研謀相關作業。 台灣獨缺AI訓練豁免機制:台灣、歐盟、日本、新加坡AI訓練語料著作權規範比較 圖/ 今周刊提供 借鏡國際資料探勘豁免,推動修法除罪化與規範責任不過時至今日,相關部門仍未有積極行動。經濟部智財局向本刊表示,針對AI與著作權議題,尚須研究國際發展,我國是否進行法規調適,目前仍在研議階段。數發部則直接把皮球踢開,強調語料涉及的著作權議題,「由智財局主責辦理」。相較之下,民間專家則已明確指出,若要兼顧主權AI發展並保障著作權,勢必得在「豁免機制」及「有償授權」兩大關卡力求突破。在「豁免機制」上,歐盟、日本、新加坡等地,都已制定各自的「資料探勘豁免」條款。原則上,AI研發者只要透過合法途徑,如公開網頁、使用者已付費訂閱等進入網站,即可爬取相關內容作為訓練語料;相反地,AI研發者若從盜版網站,或者出版業者已設定阻擋爬蟲技術的網站取得資料,就屬侵權行為。借鏡各國做法,陳啟桐認為,台灣《著作權法》可研擬AI專章,除了訂定豁免條款,讓資料探勘除罪化,回歸民事訴訟,也能同時規範AI研發者的責任義務,例如公開揭露語料的資料來源。具體而言,他認為法律應明定AI「訓練端」及「生成端」的差別情境。例如AI研發者在訓練階段,運用小說《天橋上的魔術師》作為語料,原則上不構成侵權;但若到了生成階段,要求AI仿效《天橋上的魔術師》產出與原著高度相似的內容,就可能屬於侵權。考慮短期內未必能完成修法,李柏鋒建議,主管機關可先以行政命令正面表列AI訓練的合理使用情境,「智財局和數發部應該共同出面說明,著作可以拿給AI訓練,其中哪些是合理範疇、哪些是侵權行為。」李柏鋒舉例,日本法規原則上開放資料探勘豁免,但日本文化廳也在二四年公告〈人工智慧著作權檢核清單和指引〉,以負面表列方式,來保護創作者。例如「明知是盜版網站卻仍使用其資料」、「用AI訓練出與原著作高度相似的結果」等,都屬明確侵權。「主管機關本來就能藉行政解釋,擴大或限制適用範圍,盡量畫出一條各界可依循的界線,而著作權人不滿,還是可以提告,到法院解決爭端。」李柏鋒說。即使法律開放資料探勘豁免,內容業者仍可選擇關閉網站、禁止爬蟲技術,因此,建立「有償授權」機制,鼓勵AI研發者對著作權人釋出善意,就將是下一步關鍵。學者主張使用者付費,尋求AI發展與版權平衡「數發部要作家出版界捐出著作權是無濟於事。」王榮文指出,不論是政府或企業,要發展台灣主權AI,都少不了花錢取得授權,當研發者投資購買著作內容,才能真正讓雙方展開合作。陳啟桐建議可參考音樂界的「集體授權」機制,例如有店家希望播放音樂,就可找中華音樂著作權協會(MÜST)這樣的「著作權集體管理團體」,一次性取得大量合法授權的音樂,協會後續再將授權分潤給著作權人,達到雙贏。AI語料授權,也可比照類似作法,讓利用人無須逐一向成千上百個著作權人談授權費,只須找到幾個對應的團體,一次對接。事實上,歐洲議會在今年十月剛通過一項決議,就是建議歐盟執委會透過制度,鼓勵各個內容產業建立「集體許可協議」,例如行業組成協會與AI業者集體談判,同時確保著作權人擁有公平報酬、AI研發者能獲得高品質訓練語料。但面對新科技浪潮,也有學者認為應堅守內容業者的版權。台北科技大學智慧財產權研究所兼任助理教授章忠信就主張,要解決AI語料的侵權問題,並不需要修正《著作權法》,而是落實既有的使用者付費原則,既然過去的資料庫業者,也是自行向各大出版社一一洽談授權分潤,AI開發者也該如此。「AI研發者自己知道,網路上充斥很多低品質、低可信度的文章,而高價值內容都是來自出版社、雜誌社、新聞社等。既然那是屬於『高價值』的文字內容,為什麼還不需要付費取得授權?」章忠信提醒,AI研發者不能便宜行事,政府更不該帶頭喊「無償授權」,反而應拿錢向出版業者購買版權,做出示範效果。政府想要打造具有台灣觀點的AI、建立繁體中文語料庫,不能只靠喊話呼籲,更必須進入《著作權法》的關鍵戰場,啟動相關討論,尋找AI研發及內容業者的共識,才可能在AI時代奠定台灣的話語權。(本文出自今周刊)