主權 AI 很重要，但訓練資料集哪裡來？

這篇講得很易懂。在意社會與文化主體性、AI 假人，以至於混合戰的人，值得花時間讀完。

我另外想討論一個問題：訓練資料集到底怎麼來？​

要建立主權AI，無論最後形成的是模型權重、表徵空間，還是其他向量特性，主要仰賴的都是一套能夠代表這個社會如何使用語言、理解世界、形成知識，處理價值衝突的語料與人類判斷資料。​

最需要的資料，是社會語言學特徵明顯的資料。​

語言並不只是承載資訊的容器。要用什麼詞來稱呼、應該先說什麼資訊、哪些主張需要舉證、如何表達質疑或尊重、什麼情況算是歧視、諷刺、推卸責任或合理懷疑，都是一個社會長期互動中形成的語用規則。​

這些規則會表現在詞彙搭配、句法、語氣、禮貌策略、隱喻、引證方式、敘事視角、因果說明、預設前提，以及不同場域之間的語碼切換。模型從大量語料中學習這些形式反覆出現的關係，進而形成「什麼說法比較自然」、「哪些概念彼此接近」、「遇到某種情況通常如何回應」的機率分布。​

因此，語料中的社會語言學特徵，會影響模型怎麼理解權利與義務、怎麼辨認權力關係、如何描述歷史、什麼理由看起來可信，以及面對價值衝突時會優先採取哪一種框架。社會語言學研究早已指出，語言變異承載說話者、情境、群體關係與社會位置所構成的社會意義。相同的語言形式放在不同說話者、聽眾和情境中，也可能產生不同意義。​

所以要訓練主權 AI ，重點不是政府開放資料、公開新聞、公開資料庫。​

• 你必須使用深度報導與調查新聞，訓練的是事件脈絡、因果關係、制度運作、責任歸屬，以及社會如何追問權力。​

• 必須使用文學、戲劇、電影、影評與文化評論，學習敘事形式、情感結構、道德衝突、幽默、反話，社會對自己的想像。​

• 你必須使用研究論文、判決、政策文件與公共辯論，提供概念體系、專業術語、證據標準和論證方法。

• ​你必須使用田野採集、口述歷史、訪談、社區刊物、地方媒體與民間檔案，吸收日常生活中沒有被正式制度記錄的知識、方言、語碼切換、地方分類方式和群體記憶。​

• 此外，優秀的翻譯也是關鍵。翻譯不斷判斷兩套語言與社會制度之間，哪些概念可以對應、哪些需要重新解釋、哪些詞帶有不同歷史負擔。長期累積的優良翻譯，其實保存了台灣如何理解外來知識，以及如何把外來概念納入本地語境。​

• 此外，還需要不同社會場域中的互動資料，例如教育、醫療、司法、勞動、公共服務、家庭、社會運動與政治協商。規範性價值通常體現在人們如何分配發言權、如何提出異議、如何對待弱勢者，哪些理由能夠正當形成一項決定。​

缺少這些內容，AI 模型即便可能認得台灣的地名、人物和制度，卻仍然以別的社會所形成的語言習慣和價值排序來理解台灣。

​

因此我很好奇，目前到底要用哪些方式，去找到並取得這些資料來訓練？​

這些高品質資料的著作權大半都還在效期內。而且，任何足以讓模型取得特定敘事能力、文化判斷或創作功能的訓練方式，都可能對原著及其作者產生某種程度的取代性。

大部分人現在應該已經知道，「學習富堅老師的分鏡，又不會畫出富堅老師的仿作」是多麼天真的睜眼瞎話。模型一旦能夠判斷，就取得了某些原本必須聘請創作者才能完成的能力。​

所以，至少在資料這一側，主權 AI 最難解決的其實不是硬體，而是授權、公版合約，以及如何建立一套讓創作者共榮的制度。​

主權 AI 所需的資料集，必須從頭設計授權規則，不能只寫授權期間，以及「可供人工智慧使用」這種過度籠統的用途。​

• 首先，授權必須限定可以使用在哪些模型、哪些版本、哪些產品和哪些關係企業；能不能再授權、能不能交給承包商處理、能不能拿去訓練下一代模型，以及能不能用來產生合成資料，都應該另外約定。不能取得一次資料後，便把授權無限延伸到未來所有模型。​

• 授權條件也必須處理使用量級。這不只包括作品數、資料量和訓練次數，也包括使用了多少模型版本、服務多少使用者、支援多少生成量，以及是否被納入長期更新的核心資料集。​

• 另一個必要條件，是資料對關鍵功能的影響力。若某批新聞資料被用來建立模型的台灣時事與公共政策能力，某批翻譯被用來形成中文專業術語和翻譯風格，某批影視或文學作品被用來建立敘事與角色塑造能力，它們就不應該只按照檔案大小或字數，和一般背景資料採取相同費率。合約必須能區分一般補充資料、專業領域資料，以及直接支撐特定核心能力的資料。​

• 報酬可以由多種方式構成：資料進入訓練集時支付基本授權費；依資料量、資料品質、模型規模或商業用途分級計價；模型持續使用相關能力時支付延續費；生成或檢索時實際使用內容，則依使用次數、引用、顯示或收入分潤。​

• AI 的生成與內容使用紀錄，也必須公開到足以核對授權合約的程度。至少要能知道哪些內容被存取、哪些內容實際進入生成情境、哪些被引用或呈現給使用者，以及大致產生多少次使用。這一方面用來確認業者有沒有遵守授權範圍，另一方面也可以讓語料庫管理者知道：模型目前大量依賴哪些資料，又在哪些領域仍然存在資料空缺。​

• 由於這類授權和過去差異太大，逐一處理的摩擦力一定過高。每位記者、作家、譯者、研究者或小型出版社，都不可能各自聘請技術、法務與會計人員，和大型 AI 公司談判。因此，必須製作成一套公版制度，而不只是一張契約範本。它至少應該包括共同定義、權利清冊格式、用途與模型範圍、費率表、機器可讀的授權標示、使用紀錄格式、查核程序、終止條款、爭議處理，以及讓一般創作者能看懂的權利說明。​

• 更重要的是，這套公版制度必須和集體談判連在一起。個別創作者可以透過公協會、集體管理組織或專門聯盟共同授權、共同訂定最低條件，並共同負擔監測、查核和訴訟成本。否則，公版合約最後仍可能只是由 AI 公司單方面提出，創作者只能選擇接受或退出。

​國際上其實已經有相關雛形。由於出版與媒體是生成式 AI 影響的重災區，早就開始設計集體協商、機器可讀授權及使用量回報機制。​

我對集體授權的理解，來自一位好友長期追蹤的相關進展。如今 BBC、金融時報、衛報、Sky News 與電訊媒體集團等五家英國新聞機構成立 SPUR。今年 6 月成員已擴展到 36 個出版商與相關組織，涵蓋英國、比利時、加拿大、瑞士等國；7 月又加入美聯社。​

SPUR 在 6 月發布 Content Telemetry 初版技術框架，設計了一套標準化的內容使用紀錄。它把 AI 使用內容的過程分為五個階段：內容進入模型的生成情境、答案引用、呈現給使用者，以及使用者後續與內容互動。​

這套架構能將每一次內容使用連回相應的授權編號，讓出版者掌握哪些內容實際影響了回答、哪些內容只有被抓取卻沒有使用，以及內容是否帶來後續點擊或互動。這些資料可以進一步作為授權計價、分潤及獨立核對的基礎。

在今年剛結束的卓越新聞獎論壇中，黃哲斌把這些發展納入其倡議。他主張台灣媒體應加入國際聯盟，由媒體公協會共同採用機器可讀的授權標準，並把台灣史、兩岸關係的本土視角和繁體中文公共政策分析等資料空缺，轉化成台灣媒體可以共同建立與掌握的戰略資產。​

當然台灣並不是完全沒有開始。數位發展部在 2025 年 12 月上線「臺灣主權 AI 訓練語料庫」，並與智慧財產局共同提出標準授權條款。到 2026 年 4 月，語料庫已超過 3,000 筆資料集與 12 億 token。這確實是必要的起點，也已經開始處理政府及公共資料如何透過標準條款合法釋出的問題。​

但正如前面所述，建立主權 AI 真正困難的是，怎麼把仍受著作權保護、而且真正承載社會經驗與文化記憶的內容納進來，同時讓創作者保有談條件、取得報酬和查核使用情形的能力。

​就目前公開資料來看，我找到的主要仍是政府主導的語料庫與標準授權條款。尚未看到一套涵蓋新聞、出版、影視、翻譯、研究、田野資料與地方文化，並且同時結合集體談判、分級計價、內容使用紀錄及創作者報酬的全國性制度。​

基於主權 AI 的特性，這種授權框架、公版合約、集體談判和使用紀錄系統，恐怕不是附加措施，而是取得高品質訓練資料所必須具備的基礎建設。​

不知道我國有沒有更完整的方法和計畫正在進行：一方面建立真正能代表台灣社會的資料集，守住我們在生成式 AI 時代的價值主體性；另一方面，也守護文化、內容與媒體工作在 AI 時代應有的權利，讓這塊土地上的記憶與意義，不會在進入模型之後，就與原本創造它們的人徹底斷開。