台灣在推動具備在地觀點的主權 AI（Sovereign AI）時，面臨繁體中文訓練資料嚴重不足的瓶頸，其關鍵卡點在於法規環境的限制。由於現行《著作權法》尚未針對人工智慧（AI）模型訓練情境調整，使得資料蒐集過程容易面臨重製侵權與刑事責任，導致民間與政府在擴展繁體中文語料庫時皆步履維艱。
繁體中文語料極度匱乏 主流 AI 模型缺乏台灣在地觀點
目前全球主流的大型語言模型（LLM），例如 ChatGPT、Gemini AI 或 Claude 等，在訓練過程中所使用的中文資料大多為簡體中文，繁體中文語料的佔比甚至不足百分之一。這種資料來源的不對稱，導致 AI 模型在處理語言習慣、文化背景或政策時，容易偏向其他地區的用語與價值觀，無法準確呈現台灣在地的文化與知識結構。
為了建立能夠理解台灣用語與文化的 AI 模型，民間與政府均試圖建立本土的繁體中文知識資料庫。例如民間開發者發起開放知識庫平台，每天透過自動化工具整理公開內容；數位發展部也建置了本土訓練語料庫。然而，因為資料爬取與使用涉及著作權問題，開發團隊隨時擔心可能觸犯法規，許多高品質的出版物與文章因而無法順利納入訓練素材。
著作權法未規範訓練情境 刑事責任風險引發寒蟬效應
現行《著作權法》規定，AI 模型在進行訓練前必須先將文本資料複製一份至資料庫中，這在法律定義上屬於「重製」行為。由於現行法規中的「合理使用」規範並未涵蓋 AI 模型訓練與資料處理的情境，使得研發人員在未獲得事前授權的情況下使用公開資料，便可能面臨著作權人的法律訴訟。
先前曾有國內研究人員無償分享包含新聞內容的繁體中文語料，因而面臨著作權人提起刑事告訴，最終僅能發表聲明並下架資料庫。此類事件讓廣大開發者倍感壓力，不敢輕易擴充語料來源。政府部門推動的訓練語料庫同樣遇到瓶頸，目前搜集的數千筆資料中，來自民間授權的比例極低，反映出業者因缺乏明確法律依據而不願輕易無償授權。
借鏡國際資料探勘豁免 專家倡議修法釐清訓練責任
針對 AI 訓練資料的法律爭議，國際上已有許多國家採取法規調整作為因應。例如歐盟、日本與新加坡等地區，均已建立「資料探勘豁免」機制。在該制度下，只要開發者是以合法途徑獲取公開或已付費的內容，抓取資料作為模型訓練用途通常不被視為侵權；但若從盜版網站或違反網站技術限制爬取，則仍屬違法。
法律專家建議，台灣應參考國際作法，在《著作權法》中增訂 AI 專章或相關豁免條款，明確區分 AI 模型在「訓練階段」與「內容生成階段」的不同情境。將純粹的資料探勘與模型學習行為除罪化，讓法律爭議回歸民事賠償，同時規定開發者必須揭露資料來源，才能在保護創作者權益與促進科技發展之間取得平衡。
這代表什麼
對台灣企業與一般使用者而言，繁體中文語料庫擴充受阻，意味著未來在職場或日常生活中使用的生成式 AI 工具，可能長期缺乏精準的台灣在地知識。企業若想利用本地資料訓練專屬的商業 AI 模型，將面臨極高的法律不確定性與授權成本，可能削弱本土軟體產業與科技應用的競爭力。
此外，若主流模型長期缺乏來自台灣的高品質資料，全球使用者在向 AI 查詢台灣產業政策、歷史文化或在地商業資訊時，模型所輸出的回答可能充滿錯誤或偏見，這對於台灣在數位世界中的話語權與資訊精確度都有長遠的影響。
背景補充
所謂的「主權 AI」，是指一個國家或地區能夠利用本土的資料、軟體與硬體基礎設施，發展出符合自身語言、文化、法律與價值觀的人工智慧模型，避免在關鍵技術與資訊內容上過度依賴外國系統。
台灣現行的《著作權法》上次重大修正時間為 2022 年 6 月，當時生成式 AI 技術尚未全面普及。傳統著作權法旨在防止未經許可的抄襲與重製散布，但 AI 訓練的本質是讓模型學習文本中的語言規律與知識結構，而非直接重製內容販售。隨著全球科技迅速演進，既有法規架構已難以涵蓋現代 AI 模型的開發需求，成為產官學界迫切需要解決的制度課題。
常見問題
為什麼當前 AI 模型缺乏台灣在地觀點？
主流大型語言模型訓練資料中，簡體中文佔絕大多數，繁體中文語料佔比不足 1%，導致模型理解偏向其他地區的用語與文化。
為什麼讓 AI 閱讀網路上公開的繁體中文文本可能會違法？
現行《著作權法》未將 AI 訓練納入合理使用豁免，且訓練過程必須重製資料，未經授權使用公開文本可能面臨侵權與刑事訴訟風險。
國際上如何解決 AI 訓練語料的著作權爭議？
歐盟、日本與新加坡等國引進「資料探勘豁免」機制，允許開發者透過合法管道抓取公開資料進行 AI 訓練，並將訓練階段與生成結果分開規範。