這個是我 2025-10-29 去政大公企中心參加的「主權 AI 與永續發展」國際專家研討會，裡面提到了許多和 AI 主權有關的概念。我把各講者的演講內容摘錄重點，放在這邊，有需要的人可以看一下～
本報告彙整了四位主要專家——莊盈志司長、姜夏妍博士、陳奕廷會長、李立國召集人——在專題演講及座談中的關鍵論述。台灣在 AI 治理與永續發展上的新篇章
數發部數位國際司 司長 莊盈志
莊司長於致辭中強調，台灣在推動 AI 政策時，應兼顧文化與自主性的重要性。
核心觀點與認知
- 文化與語言的重要性：台灣在推動主權 AI 時，深刻理解語言與文化的發展是核心基礎。
- 在地回應性：由於多數 AI 模型的訓練語料並非台灣在地語言，其生成回應往往無法符合國人的文化期待與社會需求。
- 政策目標：數發部希望透過國際合作，加速政府、學界與產業的協作，使台灣成為兼具韌性與技術自主的國家。
挑戰與建議
- 在地回應性不足：模型訓練語言偏離台灣本地語境，導致 AI 實際回應與社會脈絡不符。
- 文化落差：經過訓練的 AI 回覆內容常無法符合台灣文化期待與實際需求。
- 語言影響模型：台灣使用的主要語言（非英語）在模型訓練中常被低估，語言差異正是產生上述落差的根源之一。
- LLM 成本挑戰：台灣若要發展大型語言模型（LLM），其訓練與維護成本將是一大挑戰。
具體作法與實踐方向
- 莊司長建議應著重於制度設計與國際合作，而非僅限於技術專案。
- 加速三方協作：透過與國際組織緊密合作，推進政府、學界與產業的協力機制。
- 確立國家願景：使台灣成為兼具技術自主與文化韌性的國家。
- 促進國際交流：期望透過本次「主權 AI 與永續發展國際專家座談會」的交流，激發新的觀點與合作模式。
- 數據主權為核心：討論如何將數據治理作為主權 AI 的關鍵要素。
韓國落實國際人工智慧原則之經驗
韓國資訊社會發展研究院（KISDI）研究員 姜夏妍博士（Hayun Kang）
姜博士分享韓國在落實 OECD《AI 原則》方面的經驗，並強調文化在 AI 治理中的重要角色。
核心觀點與認知
- 小國策略：對於韓國或台灣這類難以具備完整技術自主的小國，AI 發展重點應放在「AI 的使用方式」，讓技術更貼近在地需求。
- 文化與語言優先：全球 AI 治理須重視在地語言與文化的保存，避免小語種與文化在「普世 AI」浪潮中被邊緣化。
- 原則平衡應用：將國際原則引入本土時須謹慎，避免因誤解或誇大導致實踐扭曲。
具體作法與實踐
- 遵循國際框架：韓國為 OECD《AI 原則》（2019 年通過）的早期推動者與副主辦國之一。
- 國家戰略與投資：2019 年發布《國家 AI 戰略》，目標在 2030 年成為全球前三 AI 強國，並推動「數位新政」（Digital New Deal），投入 23 兆韓元建置「數據大壩」（Data Dam）等基礎設施。
- 法制建設：2024 年通過《AI 框架法》（2025 年 1 月生效），嘗試在單一法律架構下整合推廣與監管。
- 能力建構：建立 AI 研究所、推動光纖普及（覆蓋率逾 90%），以強化基礎設施。
挑戰與建議
- 法規過嚴風險：《AI 框架法》被認為可能比歐盟法規更嚴格，對創新形成壓力。
- 避免倉促立法：建議台灣在制定 AI 法規時應審慎從容。
前瞻我國與日本的資料主權發展與主權 AI 實踐之道
Open Data 聯盟 會長 陳奕廷
陳會長從企業創新、數據流通與國際標準接軌的角度，探討資料主權的實踐。
核心觀點與認知
- 企業創新與法規：創新常發生於法規尚未明確界定的灰色地帶。
- 數據即基礎設施：推動主權 AI 的首要任務是解決數據共享與流通問題。
- 原則性法規：AI 相關法律應以「原則為導向」（principle-based），避免扼殺創新。
- 國際連結：台灣應持續透過國際合作，吸收他國經驗。
具體作法與實踐
- 在地化驅動創新：台灣企業開發了中文公車站牌辨識系統，填補國際廠商不願投入的小市場，並成功輸出至越南、泰國。
- 公部門數據治理：建議設立資料長（CDO）以促進跨單位資料共享與標準化。
- 法規建設：《人工智慧基本法案》與《促進資料創新應用條例》草案已對標 OECD 原則，強調公私協作與國際接軌。
- 借鏡國際架構：
- 歐盟 Dataspace：建立可信、去中心化的資料空間。
- 日本 NCB：鼓勵企業建立小型 LLM，以標準化方式整合查詢結果，解決資料封閉問題。
挑戰與建議
- 公務員創新激勵：應建立免責與獎勵機制，鼓勵嘗試數據開放與 AI 應用。
- 資料交換標準：必須解決企業間資料交換的標準化與格式一致性。
- 學習與分享：台灣應積極分享開放資料經驗，並吸收國際最佳實務。
如何打造 100% 符合台灣本土的 AI Agent
前 AI 聯盟召集人／台智雲策略長 李立國
李立國以實務角度分析小國發展主權 AI 的策略與挑戰。
核心觀點與認知
- 務實定義：小國如台灣難以獨力維持完整的 Foundation Model，重點應放在掌握技術工具、算力、模型與基礎設施。
- 數據有效性優先：關鍵不在資料量多寡，而在於其與應用目標的關聯性。
- 產業優勢：台灣在製造、醫療、金融等領域具深厚的產業 know-how，應建立「產業數據防線」以保護優勢。
- AI 應用演進：模型正從「對話／摘要」階段進入「推理與行動」（Agentic AI）階段。
具體作法與實踐
- TAIDE 模型策略：以開源模型（如 Llama）為基礎進行在地化調整，並透過 RLHF 灌輸文化與價值觀。
- 在地化評估：發表「TW Benchmark」，專注繁體中文與台灣文化視角之偏見評測。
- RAG 治理機制：透過「檢索增強生成」（RAG），讓 AI 回答可驗證、有出處，提升透明與可追溯性。
- 產業應用：教育部合作開發的 Write AI 可在 15 秒內批改作文；製造、金融、醫療等領域也展現潛力。
挑戰與建議
- 算力瓶頸：若要支撐知識量，台灣至少需 25,000 顆 H100/H200 GPU。
- 著作權風險：公部門與網路資料取得受限，工程師使用時顧慮刑責風險。
- 資料治理建議：鼓勵民間自行標註資料，由政府建立索引，而非集中收納。
- 跨境合規：AI 輸出國外應遵守當地法規與文化規範。
- 立法態度：政府制定 AI 規範時應「不宜倉促行事」。
從 TAIDE 到實踐：台灣的主權 AI 之路
中央研究院人社中心 研究員 蔡宗翰
核心觀點與認知
- 主權 AI 的必要性：全球生成式 AI 競賽使各國不得不思考數位基礎是否應建立在外國技術之上。
- 主權 AI 的本質：涉及風險掌控、安全保障與文化認同。
- 四大支柱：文化語言校準、資料安全、人才培育、信任與安全。
- 策略路線：採取以開源模型（如 Llama）為基礎的在地化策略。
- 評估標準：建立「TW Benchmark」等在地評測系統，定義「對台灣而言的好模型」。
具體作法與實踐
- TAIDE 專案（2020 年啟動）：將世界級開源模型轉化為具文化意識的可信賴 AI。
- 三階段訓練：持續預訓練 → 微調 → 校準與價值建構（Alignment）。
- 在地成果：模型理解台灣脈絡（如認知魯凱族源自屏東），避免全球模型偏誤。
- RAG 治理：以可驗證知識庫支撐回答，防止「幻覺」。
- 教育應用：與教育部合作開發「悅寫 AI（Right AI）」，15 秒內批改作文，準確率與人類相當。
- 國際合作：與韓國 KIST 合作，共享專業化模型訓練成果。
挑戰與建議
- 資源不足：經費與算力皆有限。
- 資料問題：高品質資料稀缺且著作權受限。
- 市場規模小：台灣人口少，難支撐完整 Foundation Model。
策略方向
- 效率導向：不必集中所有資料，可採索引與標註模式。
- 東亞協作：台、韓、日、越應形成區域合作網絡。
- 開放主權（Open Sovereignty）：允許特定文化資料外流，使「台灣味」融入國際模型。
- 避免倉促立法：以韓國經驗為鑑，穩健推進法制建設。
