台湾主权 AI 训练语料库启动民间语料征集：授权条款与客语语料现况

2026 年 9 月 15 日，数位发展部（moda）宣布正式启动“台湾主权 AI 训练语料库”民间语料征集行动，邀请出版社、作家与文化机构把出版物授权释出给这座语料库做 AI 训练之用。数发部部长林宜敬率先以作家身份，捐出个人著作《幸福的鬼岛》与《流寇与创新者》；多家出版及电子书平台业者与作家也在记者会现场签署授权同意书，名单见下一节。

本文于 2026 年 9 月 17 日查核，读的是数位发展部三则新闻稿的全文与“台湾主权 AI 训练语料库”网站的授权条款页，本站没有做任何实测，也不代替读者判断该不该授权或投稿；下文提到的规模数字、日期与条文，均以这四份官方文件在查核当天所写的内容为准，之后仍可能更动。

九月十五日的记者会，谁签了什么

数发部同日举办“启动民间语料征集记者会”，新闻稿写“包括秀威资讯、印刻文学、Readmoo 读墨、食力、巨思文化等出版及电子书平台业者，以及蓝弋丰、李魁贤（家属代表）等作家皆亲自出席签署授权同意书”，这是举例而不是完整名单；陈明忠、连明伟、朱国珍、朱和之等作家则是“亦提供著作响应”。官方把这两群人分开叙述，没有说明后者是否也到场。

林宜敬部长指出，AI 模型对民主、权力制衡等概念的理解，会受训练语料所蕴含的社会与文化脉络影响，并提到目前国际大型语言模型的中文训练数据仍多以简体中文内容为主。这是部长对现况的论述，本站没有另外查证这个说法本身是否正确。

数发部强调，语料征集采“自愿参与、明确授权、可退出”三大原则，并表示设有完善的退出下架申请管道；不过官方新闻稿没有说明这个管道的网址、表单或处理时间，也没有为这次征集订出截止日期或名额，只写“数发部诚挚邀请作者、出版社、文化机构、法人单位及各领域内容提供者共同参与”。

语料库怎么长到今天的规模

台湾主权 AI 训练语料库不是 9 月 15 日才出现。数位发展部在 2025 年 12 月 24 日发布上线公告，内文写的是“目前已有超过 200 个政府机关投入，上架逾 2,000 笔数据集、超过 6 亿 tokens”，内容涵盖语言、文化、教育、生物、地理环境等领域。官方用的词是“目前”，没有替这三个数字标出统计基准日；这一页的建立日期是 2025 年 12 月 24 日、更新日期是 2026 年 3 月 19 日。

2026 年 7 月 24 日，数发部发布新闻稿，宣布语料库与客家委员会合作，近日正式上架客家语言资源、出版物、文史典藏及研究报告等内容，首度新增约 2000 万 tokens 的高品质训练语料，官方没有写实际上架日；客语在新闻稿中被定位为“我国国家语言之一”。同一则新闻稿写道，语料库自上线以来已累积逾 15 亿 tokens 语料量，但官方没有为这个累计数字附上任何截止时间点。

到了 9 月 15 日，数发部表示语料库规模“截至今年 8 月底”已达约 22 亿 Tokens，并把启动民间语料征集称为语料库“迈入新的发展阶段”的里程碑。三则公告里只有这一则替规模数字写出了统计基准日：12 月那则写“目前”，7 月那则写“自上线以来”，两者都没有截止时点。三个数字因此分属不同的计算基础，本文不相加、不相减，也不换算成同一天的规模。

谁能提供语料、提供什么、由谁居中

数发部说明，现阶段以具丰富语料资源的出版业及电子书平台为合作对象，采无偿授权方式推动；作者如果有意愿提供个人著作，可以由其出版社协助上架至语料库，官方新闻稿没有提到作者能否自行申请上架。重点征集内容包含四大类：经同意授权之出版物、出版物简介、出版物试读内容，以及已逾著作权保护期间并可作为公共财活化运用之典籍与创作。

授权条款把整个流程放进三个角色里：“授权人”是提供语料的权利人，“被授权人”是依条款使用语料的收受者，“语料平台”则是从授权人处取得语料、再依授权人指示把语料桥接给被授权人的第三方。条款明写语料平台“非属授权关系任一造之当事人”，但可以经授权人同意，替授权人评估、筛选语料的收受对象或有效期间。

授权条款对“语料数据”的定义比书本宽：包含但不限于可用于 AI 语言与多模态学习的语文、音乐、美术、摄影、图形、视听、录音等作品，也包含具创作性之数据选择与编排所得的编辑性著作。9 月 15 日的新闻稿没有写这次要征到多少本书、多少 tokens 才会停止，也没有写后续会不会有第二轮征集。

授权条款对投稿人的权利动了什么

台湾主权 AI 训练语料库网站公布的《台湾主权 AI 训练语料授权条款-第 1 版》，依数位发展部 2025 年 12 月 24 日的上线公告，是数发部与经济部智慧财产局合作共同推出。条款把提供语料、具备合法权利的个人或单位称为“授权人”，把接收并使用语料的一方称为“被授权人”；授权人授予被授权人的是重制、改作、编辑及其他著作权和著作相关权利上必要之使用权，使语料合法用于 AI 训练，“此项授权不得再授权与转让”，有效期间得由授权人或其代表人指定为特定年份或永久。

条款同时划出“可退出”真正的界线。被授权人依训练所得的模型、权重、代码、文件或其他输出，若具著作权保护要件，应归属于被授权人或模型操作者所有；而且“即使原语料数据后续停止提供使用，不影响已完成之训练成果，包括但不限于所产出之模型、权重，以及代码、文件或其他形态之输出”。至于已经被下载的语料副本之后还能不能继续用于训练，条款没有写。另一条但书是，除非成果与原语料实质近似、对原语料数据市场或价值造成负面影响，并超出合理学习范畴，否则授权人同意不把 AI 训练成果视为自己著作的改作或编辑，也不对后续的使用、修改、再散布或运算行为施加任何限制或提出诉讼。

被授权人使用语料训练出的模型或工具，除非依法免除或经授权人另行同意，要标示语料平台提供的识别信息——条款举的例子有数据集名称、版本号、数据集提供者、发布年份、数据集申请页面或官方网站——并指出这是依这份授权条款发布的状态，但条款明写“毋须就本授权语料数据内含个别素材……进行逐项标示”，也就是不必逐本书列出出处。输出如果是代码或文件，标示义务可以更简化；条款举的例子是输出成果公开演播或展示时，应注明其为“人工智能生成产出”。条款页面的元数据显示最后一次修改时间是 2026 年 9 月 3 日，早于 9 月 15 日的记者会。

条款没写的部分，以及怎么自己查

条款的免责声明写得直白：这是“免授权金之授权基础”，授权人只对语料本身拥有的著作权和著作相关权利地位做出明确主张，对其他事项不提供任何担保，也不对使用数据引发的直接或间接损失负责。条款另外列出十项被授权人应自负其责的法律及伦理争议行为，包括违反国际或当地法规、伤害未成年人、制造虚假信息、用于个人信息追踪、侵犯他人合法权利等；条款写的是授权人（提供语料的个人或单位）不因为提供语料数据，而被认为对这些行为表达同意、许可或核准。

以本文引用的四份官方文件查核到 2026 年 9 月 17 日，未见退出下架申请管道的网址、表单或处理时间，也未见这次民间征集已收到多少著作、语料库运维管理单位是哪一个机关或厂商。报酬则不是“没说”而是说了：新闻稿写“采无偿授权方式推动”，条款写“免授权金之授权基础”，都不是稿费或分润。

有意愿提供语料的出版社或作者，可以直接查询台湾主权 AI 训练语料库官方网站，或拨打新闻稿公布的咨询专线 0800-023-300。条款也写明，正体中文版与英文版皆为正式文本，具有同等法律效力，两个语言版本如果用字不同，本文仅依中文版陈述。

2026 年科技新闻总整理：硬件、平台、电信与法规的重点

数位发展部办 6G 频谱国际研讨会：谈了什么，还没定案什么

• 科技与产业
• 科技新闻