Korpus AI Taiwan Berkembang, Namun Pertikaian Hak Cipta dan Pembayaran Mengehadkan Kandungan Swasta

111 sumbangan swasta mendedahkan jurang dalam cita-cita AI Taiwan

Koleksi latihan AI kerajaan Taiwan telah mengumpulkan 7,161 entri data, tetapi hanya 111 daripadanya disumbangkan pihak swasta. Jumlah itu kira-kira 1.6% daripada keseluruhan koleksi, bahagian yang kecil bagi projek yang bertujuan membantu kecerdasan buatan memahami bahasa, budaya dan kehidupan seharian Taiwan.

Kementerian Hal Ehwal Digital melancarkan Korpus Latihan AI Berdaulat Taiwan pada 24 Disember 2025, dengan lebih 200 agensi kerajaan menyumbang lebih 2,000 set data yang mengandungi 600 juta token. Token ialah cebisan kecil teks yang diproses oleh sistem AI, kadangkala satu aksara dan kadangkala sebahagian daripada perkataan.

Penyertaan kerajaan membantu membina skala. Namun, mendapatkan penyertaan penerbit, penulis, platform pengajaran dan organisasi berita merupakan cabaran yang lebih besar: pembangun memerlukan kebenaran untuk menyalin bahan penulisan bernilai bagi tujuan latihan, sementara pemilik kandungan mahukan bayaran dan kawalan terhadap cara karya mereka digunakan.

Dalam pendengaran legislatif pada 14 Oktober 2026, Menteri Hal Ehwal Digital Lin Yi-jing berkata penyertaan pihak swasta adalah secara sukarela dan kerajaan mahu syarikat AI utama, khususnya syarikat Amerika, membayar kandungan latihan. Kandungan berita tidak termasuk dalam program pengumpulan swasta semasa.

Kesan praktikalnya melangkaui saiz pangkalan data. Model yang dilatih menggunakan bahan penulisan Taiwan boleh mempelajari kosa kata tempatan, menjelaskan tradisi budaya dan menjawab soalan dengan mengambil kira institusi Taiwan. Namun, penulis dan organisasi yang menghasilkan bahan itu juga bergantung pada nilai komersialnya. Taiwan sedang berusaha meluaskan akses kepada karya mereka sambil menentukan pihak yang patut membayar, skop kebenaran penggunaan dan perkara yang memerlukan penjelasan dalam peraturan hak cipta.

Kandungan koleksi kerajaan

Pengumuman pelancaran kementerian pada Disember menyatakan koleksi itu merangkumi bahasa, budaya, pendidikan, biologi dan geografi. Koleksi tersebut menggunakan data terbuka kerajaan yang dikumpulkan selama lebih sepuluh tahun dan membolehkan pengguna mencari serta memuat turun bahan.

Kementerian Kebudayaan membekalkan set data mengenai seni awam dan aset budaya. Kementerian Pendidikan menyumbangkan data kamus yang merangkumi bahasa Taiwan, Hakka dan Mandarin. Sumber itu menyediakan bahan tentang makna dan penggunaan setempat kepada pembangun, selain maklumat mengenai tempat, objek dan tradisi.

Penerangan program korpus kementerian turut menyenaraikan Majlis Orang Asli dan Majlis Hal Ehwal Hakka sebagai antara agensi yang mengambil bahagian. Subjek yang dirancang termasuk sejarah, warisan budaya, pelancongan dan budaya tempatan. Menurut kementerian, teks latihan yang berguna perlu koheren, lengkap dan lancar.

Angka yang dibentangkan kepada penggubal undang-undang pada September 2026 menunjukkan koleksi itu mengandungi lebih 5,000 set data dan lebih 2.4 bilion token. Berbanding 600 juta token yang diumumkan ketika pelancaran, jumlah teks yang diukur dalam token itu meningkat lebih empat kali ganda. Angka 7,161 entri dan 111 sumbangan swasta pula memberikan gambaran lain tentang komposisinya.

Kepentingan bahasa tempatan

Wu Che-yu, seniman media baharu yang mengasaskan projek pengetahuan komuniti Taiwan.md, berpendapat bahawa penulisan Cina tradisional mendapat bahagian yang terlalu kecil dalam latihan AI arus perdana. Beliau menganggarkan bahagian bahan latihan berbahasa Cina yang menggunakan aksara tradisional kurang daripada 1%, angka yang dirujuknya ketika menerangkan projek itu.

Kebimbangan Wu bukan sekadar menukar aksara ringkas kepada aksara tradisional. Taiwan dan China menggunakan perkataan yang berbeza bagi sesetengah perkara seharian, dan ungkapan yang sama boleh membawa maksud berlainan. Pengetahuan tempatan turut merangkumi institusi, sejarah dan makanan, termasuk hidangan yang kurang mendapat perhatian antarabangsa berbanding teh buih atau ladu sup.

Taiwan.md menggunakan alat AI untuk mengumpulkan maklumat daripada web dan menyunting rencana mengenai alam semula jadi, masyarakat dan sejarah Taiwan. Sebanyak 1,123 rencananya bersumberkan kertas akademik, blog dan maklumat kerajaan yang boleh diakses umum. Wu mahu model arus perdana seperti ChatGPT, Gemini dan Claude menemui lebih banyak bahan penulisan yang mencerminkan pengalaman warga Taiwan.

Kerajaan menyifatkan cita-cita berkaitannya sebagai AI berdaulat: membangunkan sumber dan keupayaan AI yang boleh dibentuk Taiwan mengikut keperluannya sendiri. Korpusnya menyediakan bahan latihan, manakala projek seperti Taiwan.md berusaha memudahkan pembangun AI menemukan pengetahuan tempatan.

Aduan jenayah mengubah pertimbangan

Pada Julai 2025, seorang pelajar kedoktoran Universiti Nasional Taiwan berdepan aduan jenayah berhubung hak cipta selepas mengedarkan korpus Cina tradisional yang mengandungi 140,000 artikel Agensi Berita Pusat yang digunakan tanpa kebenaran. Pelajar itu mengumpulkan bahan daripada sebuah laman web Amerika yang menyediakan sumber terbuka dan berkongsi koleksi tersebut tanpa mengenakan bayaran.

Kedua-dua pihak kemudian mencapai penyelesaian. Pelajar itu memohon maaf, menggesa penyelidik menyemak kesahihan sumber data mereka dan memadamkan keseluruhan korpus tersebut.

Wu berkata kes itu menyebabkan pembangun bebas lebih berhati-hati. Pasukan Taiwan.md membuang bahan apabila mengesan kemungkinan isu hak cipta, sekali gus memperlahankan usaha mengembangkan koleksinya. Bagi projek kecil, kemungkinan berdepan prosiding jenayah menambah risiko peribadi kepada tugas menyemak kebenaran yang sedia rumit.

Beberapa tarikh menunjukkan perkembangan isu ini:

• Awal 2023: Majlis Sains dan Teknologi Negara memulakan projek model bahasa TAIDE dengan pembiayaan lebih NT$200 juta.
• Julai 2025: Pelajar kedoktoran itu berdepan aduan berhubung korpus yang mengandungi artikel berita tanpa kebenaran.
• 24 Disember 2025: Kementerian Hal Ehwal Digital mengumumkan korpus AI berdaulatnya dengan 600 juta token.
• September 2026: Angka kementerian menunjukkan lebih 5,000 set data dan lebih 2.4 bilion token.
• 14 Oktober 2026: Menteri Lin memberitahu penggubal undang-undang bahawa sumbangan swasta adalah secara sukarela dan perjanjian kandungan berbayar merupakan matlamat dasar.

Peranan hak cipta dalam latihan AI

Chen Chi-tung, peguam kanan di Firma Guaman Luguo, mengenal pasti penyalinan sebagai isu undang-undang utama. Pembangun lazimnya perlu menghasilkan salinan teks sebelum menggunakannya untuk melatih model. Undang-undang hak cipta memberikan pemegang hak kawalan terhadap penghasilan semula, tertakluk pada pengecualian seperti penggunaan wajar.

Penggunaan wajar membenarkan sesetengah penggunaan karya yang dilindungi tanpa kebenaran dalam keadaan tertentu. Chen berkata peruntukan sedia ada di Taiwan tidak menyentuh latihan AI secara jelas, menyebabkan pembangun tidak pasti sama ada mahkamah akan menerima penggunaan mereka.

Latihan dan penjanaan jawapan juga melibatkan tindakan yang berbeza. Semasa latihan, sistem memproses contoh untuk mempelajari corak. Semasa penjanaan, sistem menghasilkan teks untuk pengguna. Chen mencadangkan agar undang-undang menangani kedua-dua peringkat secara berasingan, termasuk risiko output yang menyerupai karya dilindungi dengan rapat.

Pejabat Harta Intelek di bawah Kementerian Hal Ehwal Ekonomi berkata kemungkinan pelarasan undang-undang masih dikaji. Kementerian Hal Ehwal Digital menyatakan pejabat itu bertanggungjawab terhadap dasar hak cipta. Siasatan Yuan Kawalan juga menggesa usaha aktif untuk menyesuaikan rangka kerja undang-undang selepas Yuan Eksekutif menyerahkan tugas itu kepada pejabat berkenaan.

Kebenaran sukarela, bukan pemindahan hak milik

Menteri Lin memberitahu Jawatankuasa Pengangkutan badan perundangan bahawa program pengumpulan swasta bermula dengan penerbit dan platform buku elektronik. Beliau menyatakan kementerian sedang mendapatkan empat jenis bahan:

• Buku yang tempoh perlindungan hak ciptanya telah tamat.
• Huraian buku yang dibekalkan penerbit.
• Petikan pratonton terpilih daripada buku.
• Karya yang dilesenkan secara sukarela oleh penulis individu.

Lin berkata kementerian memohon kebenaran untuk menggunakan karya bagi latihan AI, sementara hak cipta kekal milik penulis. Lesen membenarkan pihak lain melakukan aktiviti tertentu mengikut syarat yang dipersetujui. Skopnya boleh merangkumi perkara seperti penggunaan yang dibenarkan dan tempoh penggunaan.

Ahli Dewan Undangan daripada Parti Progresif Demokratik, Lin Chu-yin, mempersoalkan cara penyumbang akan dibayar, perkara yang akan berlaku jika mereka kemudian menarik balik kebenaran dan cara kepentingan mereka dilindungi apabila latihan menghasilkan produk lain. Ahli Dewan Undangan daripada Parti Rakyat Taiwan, Hung Yu-hsiang, mencadangkan sebuah perkhidmatan yang mengurus semakan mutu, pelepasan hak, pemerolehan berbayar dan pengurusan kategori pelesenan yang berbeza.

Kementerian telah menerbitkan Lesen Korpus Latihan AI Berdaulat Taiwan, Versi 1, dan bekerjasama dengan Pejabat Harta Intelek menyediakan contoh untuk membantu agensi menggunakannya. Terma piawai bertujuan mengurangkan rundingan berulang dan pertikaian hak cipta. Kementerian juga merancang insentif untuk sumbangan. Kadar bayaran, aturan penarikan balik kebenaran dan peraturan bagi produk yang dihasilkan belum dimuktamadkan dalam cadangan yang diterangkan kepada umum.

Kerjasama berbayar sudah mempunyai contoh kecil

Lee Po-feng, pengerusi Yayasan Budaya Terbuka, berkata permintaan supaya penerbit menyediakan bahan bernilai secara percuma tidak mungkin menghasilkan penyertaan yang mencukupi. Beliau merujuk projek latihan kecil yang memperoleh kerjasama platform media dan pendidikan melalui pertukaran yang dirundingkan.

Terma perjanjian itu merangkumi bayaran lesen sekali, had penggunaan data selama dua tahun dan akses keutamaan kepada model yang dihasilkan untuk penyedia kandungan yang mengambil bahagian. Aturan itu memberikan wang kepada penyumbang, tempoh penggunaan yang jelas dan sesuatu yang berguna sebagai balasan.

Pengerusi Yuan-Liou Publishing, Wang Rong-wen, turut berpendapat bahawa pembangun kerajaan dan komersial patut memperuntukkan bajet untuk lesen kandungan. Beliau melihat kebimbangan terhadap aduan jenayah sebagai kekangan kepada pembangun swasta dan pegawai yang cuba menyokong projek AI.

Lin memberitahu penggubal undang-undang bahawa akses berbayar untuk syarikat AI utama ialah matlamat akhir kerajaan. Beliau berkata pertikaian hak cipta berkaitan teknologi baharu boleh berlarutan selama tiga hingga lima tahun, maka kementerian memulakan usaha dengan bahan yang kurang dipertikaikan. Jadual masa yang dinyatakannya merujuk tempoh kemungkinan pertikaian, bukannya tarikh akhir bagi undang-undang atau skim pembayaran.

Pengecualian undang-undang dan lesen kolektif menjadi pilihan bersaing

Chen mencadangkan bab khusus mengenai AI dalam Akta Hak Cipta Taiwan. Bab itu akan menetapkan pengecualian bagi perlombongan teks dan data, mewajibkan pendedahan sumber latihan dan mengurangkan risiko prosiding jenayah bagi aktiviti yang memenuhi syarat.

Perlombongan teks dan data bermaksud penggunaan perisian untuk menganalisis sejumlah besar bahan dan mengenal pasti corak. Kesatuan Eropah, Jepun dan Singapura mempunyai pengecualian bagi bentuk aktiviti ini yang tertentu, meskipun peraturan dan syaratnya berbeza. Chen melihat pendekatan tersebut sebagai model untuk perbincangan di Taiwan.

Lee mencadangkan langkah pentadbiran yang lebih awal: panduan yang menjelaskan penggunaan latihan yang dianggap sebagai penggunaan wajar oleh pihak berkuasa dan penggunaan yang berisiko melanggar hak cipta. Beliau merujuk senarai semak hak cipta AI dan panduan 2024 Agensi Hal Ehwal Kebudayaan Jepun sebagai contoh menjadikan jangkaan lebih praktikal untuk pembangun dan pencipta.

Chen turut mencadangkan pelesenan kolektif dengan merujuk Persatuan Hak Cipta Muzik Chinese Taipei, dikenali sebagai MÜST, dalam sektor muzik. Di bawah model itu, sebuah organisasi mengurus kebenaran bagi ramai pemegang hak, mengutip yuran dan mengagihkan bayaran. Bagi AI, perkhidmatan serupa boleh mengurangkan kerja merundingkan lesen secara berasingan dengan ratusan penerbit atau penulis.

Chang Chung-hsin, penolong profesor adjung di institut harta intelek Universiti Teknologi Nasional Taipei, mempunyai pandangan berbeza. Beliau berpendapat pembangun patut membayar mengikut peraturan hak cipta sedia ada dan bukannya mengusahakan perubahan undang-undang. Pendirian beliau meletakkan akses yang dirundingkan kepada kandungan penerbitan dan berita bernilai sebagai teras penyelesaian.

TAIDE menunjukkan kepentingan akses dan sumber

Trustworthy AI Dialogue Engine atau TAIDE, projek terdahulu Taiwan, menunjukkan betapa kuatnya kebergantungan model pada beberapa koleksi yang mudah diakses. Projek itu dimulakan oleh Majlis Sains dan Teknologi Negara pada awal 2023, dengan pembiayaan pembangunan awal melebihi NT$200 juta.

TAIDE menggunakan bahan latihan daripada 15 agensi kerajaan. Kira-kira empat juta artikel Agensi Berita Pusat membentuk 70% data teksnya. Bahan itu diperoleh dengan mengambil kira isu hak cipta, sekali gus menunjukkan bagaimana akses teratur kepada arkib berita yang besar boleh menyokong model tempatan.

Ketua penyelidik Yuh-Jye Lee, dari Pusat Keselamatan Maklumat Taiwan di Academia Sinica, menjelaskan nilai mempunyai pilihan tempatan:

Pada peringkat awal, kita mungkin tidak mampu menandingi model besar, tetapi memiliki enjin dialog sendiri sekurang-kurangnya memberi kita pilihan.

Model awal itu dibina berasaskan Llama 2 Meta dan mempunyai tujuh bilion parameter, iaitu tetapan berangka yang dilaraskan model semasa proses pembelajaran. Pusat Pengkomputeran Berprestasi Tinggi Negara mempunyai 1,028 pemproses grafik V100 dan membeli sembilan pemproses H100 pada November 2023 untuk projek itu, sambil mengekalkan perkhidmatan biasanya.

Projek soal jawab pertanian Demeter GPT Universiti Chung Hsing Nasional kemudian beralih daripada ChatGPT kepada TAIDE. Profesor Madya Fan Yao-chung menyatakan ketepatan bahasa Cina bertambah baik selepas latihan tambahan. Makmal itu sebelum ini membayar OpenAI NT$1 hingga NT$2 bagi setiap jawapan; penggunaan TAIDE secara tempatan mengalihkan kos operasi kepada komputer dan elektrik milik makmal sendiri.

Inisiatif korpus Taiwan menangani bekalan teks yang mendasari aplikasi sedemikian. Kamus kerajaan dan rekod budaya menyediakan asas. Akses yang lebih luas kepada penerbitan, bahan pengajaran khusus dan kewartawanan bergantung pada perjanjian yang mampu ditanggung pembangun dan dapat diterima pemilik kandungan.

Perkara Utama

• Penyumbang swasta membekalkan 111 daripada 7,161 entri korpus, kira-kira 1.6%.
• Kerajaan mengumumkan 600 juta token ketika pelancaran pada Disember 2025; menjelang September 2026 jumlahnya melebihi 2.4 bilion.
• Menteri Lin berkata penyertaan swasta adalah secara sukarela dan hak cipta kekal milik penulis.
• Kandungan berita tidak termasuk dalam program pengumpulan swasta semasa, sementara kementerian mengusahakan perjanjian berbayar dengan syarikat AI.
• Aduan jenayah pada Julai 2025 berhubung 140,000 artikel berita tanpa kebenaran meningkatkan kebimbangan dalam kalangan pembangun bebas.
• Cadangan termasuk panduan penggunaan wajar yang lebih jelas, pengecualian perlombongan data, pelesenan kolektif dan bayaran langsung di bawah undang-undang sedia ada.