Lumalaki ang AI Corpus ng Taiwan, Ngunit Nililimitahan ng mga Alitan sa Karapatang-ari at Bayad ang Pribadong Nilalaman

111 ambag mula sa pribadong sektor, naglalantad ng kakulangan sa ambisyon ng Taiwan sa AI

Nakaipon na ang koleksiyon ng datos ng gobyerno ng Taiwan para sa pagsasanay ng AI ng 7,161 entry, ngunit 111 lamang dito ang mula sa mga pribadong nag-ambag. Katumbas ito ng humigit-kumulang 1.6% ng kabuuan, maliit na bahagi para sa proyektong naglalayong tulungan ang artificial intelligence na maunawaan ang wika, kultura at pang-araw-araw na buhay sa Taiwan.

Inilunsad ng Ministry of Digital Affairs ang Taiwan Sovereign AI Training Corpus noong Disyembre 24, 2025, kung saan mahigit 200 ahensiya ng gobyerno ang nag-ambag ng mahigit 2,000 dataset na naglalaman ng 600 milyong token. Ang mga token ay maliliit na yunit ng teksto na pinoproseso ng mga AI system; maaari itong isang karakter o bahagi ng isang salita.

Nakatulong ang pakikilahok ng gobyerno para mapalaki ang koleksiyon. Mas mahirap ang pag-akit sa mga publisher, awtor, platapormang pang-edukasyon at organisasyong pangbalita: kailangan ng mga developer ng pahintulot para kopyahin ang mahahalagang sulatin para sa pagsasanay, samantalang nais ng mga may-ari ng nilalaman na mabayaran at makontrol kung paano gagamitin ang kanilang mga gawa.

Sa pagdinig sa lehislatura noong Oktubre 14, 2026, sinabi ni Digital Affairs Minister Lin Yi-jing na boluntaryo ang pakikilahok ng pribadong sektor at nais ng gobyerno na magbayad ang malalaking kompanya ng AI, lalo na ang mga kompanyang Amerikano, para sa nilalamang gagamitin sa pagsasanay. Hindi kabilang ang nilalamang pangbalita sa kasalukuyang programa ng pagkolekta mula sa pribadong sektor.

Higit pa sa laki ng database ang nakataya. Maaaring matutuhan ng modelong sinanay sa mga sulatin mula sa Taiwan ang mga lokal na salita, maipaliwanag ang mga tradisyong pangkultura at masagot ang mga tanong na isinasaalang-alang ang mga institusyon ng Taiwan. Gayunman, nakasalalay din sa komersiyal na halaga ng mga materyal na ito ang mga manunulat at organisasyong lumilikha sa mga ito. Sinisikap ng Taiwan na palawakin ang akses sa kanilang mga gawa habang nagpapasya kung sino ang dapat magbayad, ano ang saklaw ng pahintulot at aling mga tuntunin sa karapatang-ari ang kailangang linawin.

Ano ang laman ng koleksiyon ng gobyerno

Inilalarawan ng anunsiyo ng ministeryo tungkol sa paglulunsad noong Disyembre ang koleksiyong sumasaklaw sa wika, kultura, edukasyon, biyolohiya at heograpiya. Kumukuha ito mula sa mahigit sampung taon ng Government Open Data at nagbibigay-daan sa mga gumagamit na maghanap at mag-download ng mga materyal.

Nagbigay ang Ministry of Culture ng mga dataset tungkol sa pampublikong sining at mga ari-ariang pangkultura. Nag-ambag naman ang Ministry of Education ng datos mula sa mga diksyunaryong sumasaklaw sa Taiwanese, Hakka at Mandarin. Nagbibigay ang mga mapagkukunang ito sa mga developer ng materyal tungkol sa mga lokal na kahulugan at gamit ng mga salita, gayundin ng impormasyon tungkol sa mga lugar, bagay at tradisyon.

Binabanggit din sa paglalarawan ng programa ng corpus ng ministeryo ang Council of Indigenous Peoples at Hakka Affairs Council bilang mga kalahok na ahensiya. Kabilang sa mga planong paksa ang kasaysayan, pamanang pangkultura, turismo at lokal na kultura. Ayon sa ministeryo, dapat magkakaugnay, kumpleto at maayos basahin ang tekstong kapaki-pakinabang para sa pagsasanay.

Sa mga bilang na iniharap sa mga mambabatas noong Setyembre 2026, umabot na sa mahigit 5,000 dataset at lampas 2.4 bilyong token ang koleksiyon. Kumpara sa 600 milyong token na inanunsiyo noong ilunsad ito, mahigit apat na beses na ang dami ng tekstong sinusukat sa token. Nagbibigay naman ng ibang larawan ng komposisyon nito ang 7,161 entry at 111 ambag mula sa pribadong sektor.

Bakit mahalaga ang lokal na wika

Ayon kay Wu Che-yu, isang new media artist na nagtatag ng proyektong pangkaalamang pangkomunidad na Taiwan.md, napakaliit ng bahagi ng mga sulating nasa tradisyonal na Chinese sa pagsasanay ng pangunahing AI. Tinataya niyang mas mababa sa 1% ang bahagi nito sa mga materyal sa pagsasanay na nasa Chinese; binabanggit niya ang pagtatayang ito sa pagpapaliwanag ng kanyang proyekto.

Hindi lamang pagpalit ng mga pinasimpleng karakter tungo sa tradisyonal na mga karakter ang ikinababahala ni Wu. Magkaiba ang ginagamit na salita sa Taiwan at China para sa ilang pang-araw-araw na bagay, at maaaring magkaiba ang kahulugan ng iisang pahayag. Saklaw din ng lokal na kaalaman ang mga institusyon, kasaysayan at pagkain, kabilang ang mga pagkaing hindi gaanong napapansin sa ibang bansa kumpara sa bubble tea o soup dumplings.

Gumagamit ang Taiwan.md ng mga AI tool para mangalap ng impormasyon mula sa web at mag-edit ng mga artikulo tungkol sa kalikasan, lipunan at kasaysayan ng Taiwan. Batay sa mga akademikong papel, blog at impormasyon ng gobyerno na bukas sa publiko ang 1,123 artikulo nito. Nais ni Wu na mas maraming sulating sumasalamin sa karanasan ng mga taga-Taiwan ang makita ng mga pangunahing modelo gaya ng ChatGPT, Gemini at Claude.

Inilalarawan ng gobyerno bilang sovereign AI ang kaugnay nitong mithiin: bumuo ng mga mapagkukunan at kakayahan sa AI na maaaring hubugin ng Taiwan ayon sa sarili nitong mga pangangailangan. Nagbibigay ang corpus nito ng mga materyal para sa pagsasanay; layunin naman ng mga proyektong gaya ng Taiwan.md na mas madaling mahanap ng mga developer ng AI ang lokal na kaalaman.

Nagbago ang pagtimbang sa panganib matapos ang reklamong kriminal

Noong Hulyo 2025, naharap sa reklamong kriminal tungkol sa karapatang-ari ang isang doktoral na estudyante ng National Taiwan University matapos mamahagi ng corpus sa tradisyonal na Chinese na naglalaman ng 140,000 artikulo ng Central News Agency na walang pahintulot. Kumuha ang estudyante ng materyal mula sa isang Amerikanong website na nagho-host ng mga bukas na mapagkukunan at ibinahagi ang koleksiyon nang walang bayad.

Nagkasundo kalaunan ang mga panig. Humingi ng paumanhin ang estudyante, hinimok ang mga mananaliksik na tiyaking naaayon sa batas ang kanilang mga pinagkukunan ng datos at inalis ang buong corpus.

Ayon kay Wu, naging mas maingat ang mga independiyenteng developer dahil sa kasong ito. Inaalis ng kanyang pangkat sa Taiwan.md ang materyal kapag may nakikita itong posibleng problema sa karapatang-ari, kaya bumabagal ang pagpapalawak ng koleksiyon nito. Para sa isang maliit na proyekto, nagdaragdag ng personal na panganib ang posibilidad ng kasong kriminal sa mahirap nang gawaing tiyakin kung may pahintulot.

Ipinapakita ng ilang petsa kung paano umunlad ang usapin:

• Unang bahagi ng 2023: Sinimulan ng National Science and Technology Council ang proyektong modelo ng wika na TAIDE, na may pondong mahigit NT$200 milyon.
• Hulyo 2025: Nahaharap sa reklamo ang doktoral na estudyante dahil sa corpus na naglalaman ng mga artikulo ng balitang walang pahintulot.
• Disyembre 24, 2025: Inanunsiyo ng Ministry of Digital Affairs ang sovereign AI corpus nito na may 600 milyong token.
• Setyembre 2026: Ipinakita ng mga bilang ng ministeryo na mayroon itong mahigit 5,000 dataset at lampas 2.4 bilyong token.
• Oktubre 14, 2026: Sinabi ni Minister Lin sa mga mambabatas na boluntaryo ang mga ambag mula sa pribadong sektor at layunin ng polisiya ang mga kasunduang may bayad para sa nilalaman.

Paano naaapektuhan ng karapatang-ari ang pagsasanay ng AI

Tinutukoy ni Chen Chi-tung, senior lawyer sa Luguo Law Firm, ang pagkopya bilang pangunahing usaping legal. Karaniwang kailangang kopyahin ng mga developer ang teksto bago ito gamitin sa pagsasanay ng modelo. Binibigyan ng batas sa karapatang-ari ang mga may hawak ng karapatan ng kontrol sa pagkopya, alinsunod sa mga eksepsiyon gaya ng patas na paggamit.

Pinahihintulutan ng patas na paggamit ang ilang paggamit sa protektadong gawa nang walang pahintulot sa mga partikular na kalagayan. Ayon kay Chen, hindi tahasang tinatalakay ng kasalukuyang mga probisyon sa Taiwan ang pagsasanay ng AI, kaya hindi tiyak sa mga developer kung papayagan ng hukuman ang kanilang paggamit.

Magkaibang gawain ang pagsasanay at pagbuo ng sagot. Sa pagsasanay, pinoproseso ng sistema ang mga halimbawa upang matutuhan ang mga padron. Sa pagbuo naman ng sagot, lumilikha ito ng teksto para sa gumagamit. Iminumungkahi ni Chen na magkahiwalay na tugunan ng batas ang dalawang yugtong ito, pati na ang panganib na kahawig na kahawig ng mga protektadong gawa ang mga ilalabas na sagot.

Ayon sa Intellectual Property Office sa ilalim ng Ministry of Economic Affairs, pinag-aaralan pa ang mga posibleng pagbabago sa batas. Itinuturo ng Ministry of Digital Affairs ang tanggapang iyon bilang responsable sa polisiya sa karapatang-ari. Hinimok din ng isang imbestigasyon ng Control Yuan ang maagap na pag-aangkop sa balangkas ng batas matapos italaga ng Executive Yuan ang gawaing ito sa naturang tanggapan.

Boluntaryong pahintulot, hindi paglilipat ng pagmamay-ari

Sinabi ni Minister Lin sa Transportation Committee ng lehislatura na magsisimula ang programa ng pagkolekta mula sa pribadong sektor sa mga publisher at plataporma ng elektronikong libro. Inilarawan niya ang apat na uri ng materyal na hinahanap:

• Mga aklat na tapos na ang proteksiyon sa karapatang-ari.
• Mga paglalarawan ng aklat na ibibigay ng mga publisher.
• Mga piling sipi mula sa mga aklat na maaaring silipin.
• Mga gawang boluntaryong ipapalisensiya ng mga indibidwal na awtor.

Ayon kay Lin, humihingi ang ministeryo ng pahintulot na gamitin ang mga gawa para sa pagsasanay ng AI habang nananatili sa mga awtor ang pagmamay-ari ng karapatang-ari. Pinahihintulutan ng lisensiya ang ibang panig na magsagawa ng mga partikular na gawain sa ilalim ng napagkasunduang kondisyon. Maaaring saklawin ng lisensiya ang mga bagay gaya ng mga pinahihintulutang gamit at tagal nito.

Tinanong ni Lin Chu-yin, mambabatas mula sa Democratic Progressive Party, kung paano babayaran ang mga nag-aambag, ano ang mangyayari kung babawiin nila sa kalaunan ang pahintulot at paano poprotektahan ang kanilang mga interes kung magbubunga ng iba pang produkto ang pagsasanay. Iminungkahi naman ni Hung Yu-hsiang, mambabatas mula sa Taiwan People's Party, ang isang serbisyong mangangasiwa sa pagsusuri ng kalidad, paglilinis ng karapatan, may bayad na pagkuha at pamamahala ng iba't ibang kategorya ng lisensiya.

Nailathala na ng ministeryo ang Taiwan Sovereign AI Training Corpus License, Version 1, at nakipagtulungan ito sa Intellectual Property Office para gumawa ng mga halimbawa na tutulong sa mga ahensiya na ipatupad ito. Layunin ng mga pamantayang tuntunin na mabawasan ang paulit-ulit na negosasyon at mga alitan sa karapatang-ari. Nagpaplano rin ang ministeryo ng mga insentibo para sa mga ambag. Hindi pa pinal ang mga panukalang inilarawan sa publiko tungkol sa mga halaga ng bayad, mga kundisyon sa pagbawi ng pahintulot at mga tuntunin para sa mga produktong magmumula rito.

May maliit nang halimbawa ng pakikipagtulungang may bayad

Ayon kay Lee Po-feng, chairman ng Open Culture Foundation, malabong makakuha ng sapat na pakikilahok kung hihilingin sa mga publisher na ibigay nang libre ang mahahalagang materyal. Itinuturo niya ang isang maliit na proyekto sa pagsasanay na nakakuha ng pakikipagtulungan mula sa mga plataporma ng media at edukasyon sa pamamagitan ng napagkasunduang palitan.

Kabilang sa mga tuntunin ang minsanang bayad sa lisensiya, limitasyong dalawang taon sa paggamit ng datos at prayoridad na akses sa nabuong modelo para sa mga kalahok na tagapagbigay ng nilalaman. Nakatanggap ng pera ang mga nag-ambag, may takdang panahon ang paggamit at may kapaki-pakinabang silang natanggap kapalit nito.

Naniniwala rin si Wang Rong-wen, chairman ng Yuan-Liou Publishing, na dapat maglaan ng badyet ang gobyerno at mga komersiyal na developer para sa mga lisensiya ng nilalaman. Para sa kanya, hadlang sa mga pribadong developer at sa mga opisyal na nagsisikap sumuporta sa mga proyektong AI ang takot sa mga reklamong kriminal.

Sinabi ni Lin sa mga mambabatas na pangmatagalang layunin ng gobyerno ang pagbabayad ng malalaking kompanya ng AI para sa akses sa nilalaman. Ayon sa kanya, maaaring tumagal nang tatlo hanggang limang taon ang mga alitan sa karapatang-ari na may kaugnayan sa bagong teknolohiya, kaya nagsisimula ang ministeryo sa mga materyal na hindi gaanong pinagtatalunan. Inilalarawan ng takdang panahon niya ang malamang na tagal ng kontrobersiya, hindi ang petsa ng pagpasa ng batas o pagsisimula ng sistema ng bayad.

Naglalabanang opsiyon ang mga eksepsiyon sa batas at sama-samang lisensiya

Iminumungkahi ni Chen ang isang nakalaang kabanata tungkol sa AI sa Copyright Act ng Taiwan. Magtatatag ito ng eksepsiyon para sa pagmimina ng teksto at datos, mag-uutos ng pagsisiwalat sa mga pinagkunan ng datos sa pagsasanay at magbabawas sa panganib na maharap sa kasong kriminal ang mga aktibidad na pasok sa itinakdang kondisyon.

Ang pagmimina ng teksto at datos ay paggamit ng software upang magsuri ng maraming materyal at tumukoy ng mga padron. May mga eksepsiyon ang European Union, Japan at Singapore para sa ilang anyo ng gawaing ito, bagaman magkakaiba ang mga tuntunin at kondisyon ng mga ito. Itinuturing ni Chen na mga huwaran para sa talakayan sa Taiwan ang mga pamamaraang iyon.

Iminumungkahi ni Lee ang mas naunang hakbang na administratibo: gabay na nagpapaliwanag kung aling paggamit sa pagsasanay ang itinuturing ng mga awtoridad na patas na paggamit at alin ang maaaring lumabag sa karapatan. Binabanggit niya bilang halimbawa ang checklist at gabay sa karapatang-ari at AI ng Agency for Cultural Affairs ng Japan noong 2024, na naglalayong gawing mas malinaw ang mga inaasahan para sa mga developer at creator.

Iminumungkahi rin ni Chen ang sama-samang paglilisensiya, batay sa Music Copyright Society of Chinese Taipei ng sektor ng musika, na kilala bilang MÜST. Sa ilalim ng modelong ito, pinamamahalaan ng isang organisasyon ang mga pahintulot para sa maraming may hawak ng karapatan, nangongolekta ng bayad at namamahagi ng kabayaran. Para sa AI, maaaring mabawasan ng katulad na serbisyo ang gawaing pakikipagnegosasyon nang hiwalay sa daan-daang publisher o awtor.

Iba naman ang pananaw ni Chang Chung-hsin, adjunct assistant professor sa institute of intellectual property ng National Taipei University of Technology. Ayon sa kanya, dapat magbayad ang mga developer alinsunod sa umiiral na mga tuntunin sa karapatang-ari, sa halip na humingi ng mga pagbabago sa batas. Itinatampok ng kanyang paninindigan ang pakikipagnegosasyon para sa akses sa mahahalagang nilalaman mula sa mga publisher at organisasyong pangbalita bilang sentro ng solusyon.

Ipinakikita ng TAIDE na kapwa mahalaga ang akses at mga mapagkukunan

Ipinakikita ng naunang Trustworthy AI Dialogue Engine ng Taiwan, o TAIDE, kung gaano kalaki ang pagdepende ng isang modelo sa iilang koleksiyong madaling maakses. Itinatag ito bilang proyekto ng National Science and Technology Council noong unang bahagi ng 2023 at nakatanggap ng mahigit NT$200 milyon para sa paunang pagbuo.

Kumuha ang TAIDE ng mga materyal sa pagsasanay mula sa 15 ahensiya ng gobyerno. Umabot sa 70% ng tekstuwal na datos nito ang humigit-kumulang apat na milyong artikulo ng Central News Agency. Pinili ang mga materyal nang isinasaalang-alang ang mga usapin sa karapatang-ari, na nagpapakita kung paano makatutulong ang organisadong akses sa malalaking arkibo ng balita sa pagbuo ng lokal na modelo.

Ipinaliwanag ni Yuh-Jye Lee, punong mananaliksik mula sa Taiwan Information Security Center ng Academia Sinica, ang halaga ng pagkakaroon ng lokal na alternatibo:

Malamang na hindi natin matapatan ang malalaking modelo sa simula, pero ang pagkakaroon ng sarili nating dialogue engine ay nangangahulugang may mapagpipilian tayo kahit paano.

Binuo ang unang modelo batay sa Llama 2 ng Meta at mayroon itong pitong bilyong parameter, ang mga numerong inaayos ng isang modelo habang natututo. May 1,028 V100 graphics processor ang National Center for High-performance Computing at bumili ito ng siyam na H100 processor noong Nobyembre 2023 para sa proyekto, habang ipinagpapatuloy ang mga regular na serbisyo nito.

Sa kalaunan, lumipat ang Demeter GPT, proyektong sumasagot sa mga tanong tungkol sa agrikultura ng National Chung Hsing University, mula ChatGPT tungo sa TAIDE. Inilarawan ni Associate Professor Fan Yao-chung na mas naging tumpak ito sa Chinese matapos ang karagdagang pagsasanay. Dati, nagbabayad ang laboratoryo sa OpenAI ng NT$1 hanggang NT$2 bawat sagot; nang patakbuhin nito ang TAIDE sa sarili nilang lugar, napunta naman sa sarili nilang mga computer at kuryente ang gastusin sa pagpapatakbo.

Tinutugunan ng inisyatiba ng Taiwan para sa corpus ang suplay ng tekstong kailangan sa likod ng mga ganitong aplikasyon. Nagbibigay ng saligan ang mga diksyunaryo at rekord pangkultura ng gobyerno. Nakadepende naman ang mas malawak na akses sa mga publikasyon, espesyalisadong materyal sa pagtuturo at pamamahayag sa mga kasunduang kayang bayaran ng mga developer at matatanggap ng mga may-ari ng nilalaman.

Mahahalagang Punto

• 111 sa 7,161 entry ng corpus ang nagmula sa mga pribadong nag-ambag, o humigit-kumulang 1.6%.
• Inanunsiyo ng gobyerno ang 600 milyong token noong ilunsad ang corpus noong Disyembre 2025; pagsapit ng Setyembre 2026, lampas 2.4 bilyon na ang kabuuan.
• Ayon kay Minister Lin, boluntaryo ang pakikilahok ng pribadong sektor at nananatili sa mga awtor ang pagmamay-ari ng karapatang-ari.
• Hindi kabilang ang nilalamang pangbalita sa kasalukuyang programa ng pagkolekta mula sa pribadong sektor, habang naghahanap ang ministeryo ng mga kasunduang may bayad sa mga kompanya ng AI.
• Nagdulot ng higit na pag-aalala sa mga independiyenteng developer ang reklamong kriminal noong Hulyo 2025 tungkol sa 140,000 artikulo ng balitang ginamit nang walang pahintulot.
• Kabilang sa mga panukala ang mas malinaw na gabay sa patas na paggamit, eksepsiyon para sa pagmimina ng datos, sama-samang paglilisensiya at direktang pagbabayad sa ilalim ng umiiral na batas.