【訓練一個「很台」的AI有多難？一起著作權刑事告訴，揭開第一關「訓練語料」的授權困境】 https://t.co/HRFLlACIaz

2025年7月，《中央社》對繁體中文語料集「fineweb2-zhtw」開源志工、台大博士生鍾浩霖提起刑事訴訟，原因是未取得授權，儘管最後和解落幕，但其中攸關內容產業與AI發展的著作權法規與互動機制，卻還沒有定案⋯⋯

鍾浩霖本意在於做出開源平台少有的繁體中文語料集，讓使用繁中的台灣AI開發者可以用這份資料集訓練模型，不論從文化平權、特殊專業領域應用與保護機敏資料的角度，用台灣在地語料（包括繁體中文、台語等）發展自有生成式AI模型確實有其必要，且已經參與包括國科會TAIDE計畫等多起國內AI合作的《中央社》也並非不支持這樣的目標，之所以仍選擇提告，除了沒有事先申請，關鍵在於使用者可以無償取得中央社歷史新聞，踩到內容產業在意著作權的敏感神經。

然而，翻開國內現行《著作權法》，並沒有定義「資料探勘」、「使用內容訓練AI模型」等行為是否為「合理使用」，因此一旦引發爭議，就需要進入司法程序，由法院個案判斷。對AI開發者來說，降低法律風險的解法，一是和內容製作單位逐一洽談合作，授權費用相對算力、硬體花費不算貴，但這個方式取得資料雖然「乾淨」，量體卻往往不足以撐起AI模型訓練所需；因此有些台灣AI開發者選擇走在灰色地帶，採取「釋出模型、但不說明訓練使用的資料集」做法，著作權利人若要訴諸侵權，必須負擔舉證責任。

面對訓練生成式AI模型所衍生的著作權爭議，各國做法不一，美國多起訴訟案件正在進行中，而歐盟與日本透過法律有更明確的定義與規範，台灣若要修法該向誰學習？

法律專家認為，「資料探勘」可設為例外，但必須要求開發者透明化、揭露訓練資料來源，不過對於營利與否的限制與執行方式，仍然有許多細節需要討論。數位發展部部長林宜敬受訪時指出，目前要形成社會共識很難，因此未來5年內不會推相關修法，現階段將先著力於成立「台灣主權AI訓練語料庫」希望能打破僵局——首先從中央各部會開始邀集語料，再進一步邀請地方政府加入，也預計與民間團體展開合作，只是目前都是「無償取得」，並沒有規劃支付授權的經費。

「我們被科技平台掌控，但是又不能不跟他合作，」《報導者》所接觸的新聞媒體高層大多支持主權AI發展，但「內容有價」仍是難以棄守的原則；他們並不一昧高喊「內容有價」口號，也努力思考新的合作模式可能⋯⋯

每一個個人都是AI使用者的讀者，你怎麼看這場圍繞在著作權與AI開發之間的討論？

点击图片查看原图