科技產業申請租稅減免 國稅局：申報浮濫
依照公司研究與發展及人才培訓支出適用投資抵減辦法審查要點第１點附表，研發支出只有包括全職研發人員薪資等九種支出才能抵減，而且業者須附薪資表及證明文件證明，才能減稅。但因為研發誘因優渥，企業總是先報再說，因此行政法院投資抵減的相關訴訟，十之八九都是國稅局勝訴。根據公司研究與發展及人才培訓支出適用投資抵減辦法第５條規定，公司的研發支出，在同一課稅年度內得按百分之三十抵減當年度應納營所稅額；支出總金額超過前二年度研發經費平均數者，超過部份得按百分之五十抵減當年度應納營所稅，當年度營所稅額不足抵減者，得在以後四年度營所稅額抵減。
國稅局提醒，申請研發減免企業必須提供研究計畫等證明，否則舉證不足反將被國稅局要求補稅，恐衝擊公司當年獲利。一般來說，適用投抵減稅金額愈高的公司，也愈常被選案查核，確保公司沒有僥倖逃稅心理。如果投抵項目涉及大陸地區，像是人才培訓支出，則應依臺灣地區與大陸地區人民關係條例第２４、２５、２５條之１條等法令規定，經主管機關核准，否則也將遭國稅局剔除補稅。
韓國提出生成式AI訓練合理使用判斷原則指引：指明不構成合理使用之情形與事例 資訊工業策進會科技法律研究所 2026年07月01日 韓國文化體育觀光部（Ministry of Culture, Sports and Tourism，下稱MCST）與韓國著作權委員會（Korea Copyright Commission，下稱KCC）於2026年2月26日共同發布《生成式AI模型訓練之合理使用適用原則指引》（Guide on Applicability of the Fair Use Doctrine to Training of Generative AI Models，下稱本指引），以韓國著作權法第35條之5合理使用一般條款為基礎，就受著作權保護著作於生成式AI訓練過程遭利用之情形，提出四項判斷要素之適用原則、有利與不利認定之對照及具體事例。 壹、事件摘要 韓國於指引前言指出世界各國將AI技術視為未來核心成長引擎，力求在全球AI領導地位上取得競爭優勢。部分國家呼籲採取政策支持措施，盡可能廣泛允許訓練資料之使用並鼓勵AI發展，惟受憲法保障之著作權與AI驅動之技術創新，係不應以犧牲一方成全另一方之價值。韓國當前最關鍵之政策課題，在於找出一種平衡途徑：既尊重著作權人之正當權利、獎勵創作，同時避免對AI創新造成不當限制，促進共同成長與發展。而且AI發展之創新與著作權之保護並非本質衝突之價值。當二者作為互補原則相互調和時，得共同推動整體社會更廣泛之文化與經濟進步[1]。 貳、重點說明 該指引認為生成式AI訓練各階段之資料蒐集、前處理、模型訓練與評估最佳化，均可能構成著作權法上之重製，在韓國著作權法未設文本與資料探勘專門例外之現況下，AI訓練之利用是否合法，主要回歸第35條之5合理使用之四要素綜合判斷。指引除說明各國案例與法令外，就四項判斷要素逐一整理其定義與要件，同時提出「有利」與「不利」於合理使用之情形，並列舉可能成立與不太可能成立合理使用之事例，藉此將原本高度個案化之合理使用判斷予以類型化。本文重點針對其已表態認為較不利或(不)認同主張合理使用之情況、事例，摘要說明如下： 一、合理使用四要素可能無法構成的情況 （一）利用之目的與性質[2] 1、無轉化利用致目的與性質近似：若利用之目的與性質與原著作相同；未創造新價值或新用途、未顯著貢獻公共利益，且損害既有市場或權利人經濟利益。 2、有直接或間接商業獲益：開發者向使用者直接收取服務對價，或藉廣告與宣傳取得間接經濟利益；非營利研究組織於營利企業贊助下、為該企業商業目的訓練模型。 3、未實施侵權防制技術：若未採取措施以拒絕生成特定受著作權保護著作之重製或模仿之提示，從根本上阻擋重製或模仿特定著作所含表達之請求之AI系統。 4、過度就特定著作進行訓練：將提高生成式AI輸出與原著作共享相似目的或性質之可能性，較可能與著作之「通常利用」相衝突並損害著作權人經濟利益。 5、訓練目的與商業利用有關係：生成式AI系統縱為商業目的開發或訓練，並不當然排除合理使用之認定，縱存在商業目的，若該技術創造新價值並服務公共利益，其利用仍可能獲有利評價。而且，非商業與商業目的可能交織，例如，由大學與企業共同進行之產學合作研究，於初始研究階段可能屬非商業，惟若生成式AI模型用於提供商業服務，則可能有不利認定。反之，縱為營利企業，若其訓練AI模型以生成與其商業活動無關之輸出，亦可能被認定為進行非商業訓練。 6、取得方式違反著作權人意願：著作權人曾採取措施限制網路爬取或擷取，未經許可蒐集受接取限制之著作（如須登入或付費牆後之著作）或規避技術保護措施； 縱著作於技術上可接取，未經著作權人許可將其用於生成式AI訓練，違反適用之條款與條件之方式自網站蒐集著作，或以不被允許之方式接取著作，可能被視為逾越授權範圍。縱著作看似經轉化性利用，若該利用涉及非法重製或不當接取，此等情狀仍可能不利於因素一之有利認定。 (二)著作之類型與目的[3] 就第二要素著作之類型與目的，該指引認下列情形不利於合理使用之認定： 1、資料屬於供享受之文學或藝術著作：使用主要為享受著作本身而創作之文學或藝術著作，或創作性高而個性表達強之著作。因其創作表達係其核心價值，訓練於此等表達之生成式AI模型很可能生成相同或近似之表達特徵。 2、屬未公開或僅於受限或付費接取下提供之著作（如訂閱服務或付費資料庫）：因對權利人經濟利益之影響風險較高，其利用性質與周遭社會期待不同。惟著作可公開取得並不因此即支持可合理使用之認定，可能因robots.txt限制之存在、以及預期利用之範圍與規模等面向，受不同權衡。 (三)所使用部分之質量與重要性 就第三要素，指引認下列情形不利於合理使用之認定[4]： 1、非必要下使用整份著作之量：使用整份著作訓練模型，本身不利於本要素；惟整份利用若基於技術上不可避免且必要之理由，得綜合其他要素另為評價。 2、直接重製核心表達之質：於利用過程中直接重製著作核心表達要素、輸出與原著作實質相同或可替代，且逾越利用目的所合理必要之範圍。 (四)對現在或潛在市場或價值之影響 就第四要素，指引認為下列情形不利於合理使用之認定[5]： 1、造成銷售損失或其他經濟損害：生成式AI訓練所生輸出不可能、或僅極低可能替代原著作之經濟價值或市場需求、或損害其市場價值縱屬商業利用，只要該利用不直接影響原著作市場之需求，亦可能有利於因素四。 2、AI輸出直接或實質重製原著作之核心表達：替代原著作或侵蝕其潛在市場需求之輸出，很可能不利於使用者。 3、損害授權機會、替代或削弱市場：使用著作於生成式AI訓練之授權市場，於部分領域已存在，或視著作類型、訓練方法與模型特性而合理可期於未來出現或發展；AI開發者未經許可蒐集並使用著作進行訓練、再於商業服務中利用訓練後模型，可能妨礙或損害著作權人就類似利用於未來授權以獲利之合理可預見機會。 4、反覆且大規模之未經授權訓練：可能導致未經授權利用，若任其普遍化，可能擾亂通常授權實務與市場規範、削弱受著作權保護著作之市場價值，並實質消滅著作權人獲取收益之能力。 二、合理使用認定可能與不可能事例 本指引於案例部分，直接列舉數則經四要素綜合判斷後(不太)可能成立合理使用之情形[6]，分述如下： （一）可能有利於認定的事例 1、開發者使用可公開取得之線上貼文及合法購買之書籍訓練AI，且著作之利用非意在重製或替代特定貼文或書籍之表達，而係為實現通用型對話與生成能力。此外，開發者曾努力實施技術措施，以拒絕生成與訓練所用著作相同或實質近似輸出之提示。 2、模型係使用主要為傳達事實與資訊之短語或一般非專業表達（如社群媒體貼文或評論）訓練，且輸出呈現相對低度之創作性。 3、開發者別無選擇，須輸入數億筆資料，考量實現通用型語言理解與生成能力之目標，所使用受著作權保護著作之數量與範圍可認為合理。 4、訓練後模型之輸出或基於輸出之服務，未實質替代原著作之觀看、使用或銷售。此外，創作性相對較低之著作，如社群媒體或個人部落格上分享之貼文、留言、評論、照片或影片，或為非商業目的創作之平凡著作（尤其難以辨識或尋得著作權人者），亦用以訓練AI。 5、政府資助研究機構，依《公共資料之提供與利用促進法》所定公共資料，訓練其自然語言處理（natural language processing, NLP）模型，作為其社會不平等研究之一部分。 6、大學研究團隊蒐集以開放取用（open access）發表之論文，開發AI科技摘要模型，隨後並以開源（或開放權重）方式釋出該模型。 7、AI開發者使用可自由取得之科學與工程相關論文全文，建立可自動分析資料並支援研究之模型。 8、AI開發者使用其公司合法下載或以CD購買之戲劇影集或電影等視聽著作訓練模型，以開發分析犯罪者移動模式等犯罪預防應用。 （二）可能不利認定的事例 1、開發者訓練AI模型或提供服務，生成與特定貼文或書籍之句子、結構或表達相同或實質近似之輸出，或模型吸收原著作語言表達之精髓，即字詞於句子、段落或整份文件層次如何被選擇與排列。 2、訓練所用著作具高度文學或藝術創作性，且表達具強烈個性。 3、鑑於AI模型之架構，著作之利用範圍非結構上不可避免，亦非實現通用型語言理解與生成能力目標所合理必要。 4、AI訓練或相關服務之提供，導致受著作權保護著作銷售下降、對著作權人造成經濟損害、剝奪著作權人授權機會，足以構成市場替代或市場稀釋之顯著風險。此外，就AI訓練以合理條件授權之框架（如專為AI訓練目的之獨立授權制度）及集體管理制度已然存在，取得授權相對容易。 5、新聞文章全文訓練之摘要服務：未經新聞出版商許可，爬取並就新聞文章全文訓練模型，經營自動提供文章摘要之商業服務。本指引認其目的與原新聞文章近似而不具轉化性、著作係未經授權蒐集、使用全文，且摘要可能使讀者無須造訪原文即取得資訊，侵蝕出版商之訂閱與廣告收益。 6、合法購買教科書訓練並銷售教材：以合法購買之數位教科書訓練AI，生成教科書或習作簿並銷售。本指引認縱原書係合法購買，利用目的仍不具轉化性、所用著作具學術與教育價值、使用全文，且輸出可能替代或削弱出版商之教材市場。 7、未授權付費圖庫影像訓練並販售：未經許可爬取付費圖庫網站之高解析度付費影像訓練模型，並販售生成影像。本指引認其未經許可蒐集、目的不具轉化性、使用全份著作，且輸出可能替代圖庫或授權市場；又付費影像平台多設浮水印、API控管、robots.txt等技術措施以防未經授權蒐集，故此類利用不太可能成立合理使用。 8、歌手歌曲訓練經營付費AI翻唱：自音樂平台購入某歌手之數千首歌曲訓練模型，經營付費AI翻唱歌曲生成業務。 參、事件評析 如同韓國指引所揭示，其立場認為須找出平衡途徑，既尊重著作權人之正當權利、獎勵創作，同時避免對AI創新造成不當限制，促進共同成長與發展，以求二者作為互補原則相互調和，使整體社會文化與經濟進步，故雖其承認AI訓練確實涉及重製權，但亦認為如手段與來源合法，且其結果必須有轉化性、未影響既有經濟利益，則仍有主張合理使用的可能。此指引所呈現的態度，公益目的、公開取得及合法購買之書籍、為實現通用型對話與生成能力、實施技術措施、不產生替代效果，實亦呼應目前國際上就AI著作合理使用的多數看法。 就我國而言，我國著作權法第65條之合理使用四款判斷基準，與韓國第35條之5同屬四要素綜合判斷之立法例，且我國現行法同樣未設TDM專門例外，相關修法方向尚未聞擬進行研議。韓國其於TDM例外立法屢議未決之際，以其現行合理使用一般條款（第35條之5）為基礎、輔以行政指引因應AI訓練，以要素分析、不利類型化、具名事例的模式，引導、傳達主管機關立場的操作合理使用之作法，對我國主管機關研擬相關解釋或指引之參考價值較高。 韓國指引之價值，不在其結論具拘束力，因其明示固為主管機關之立場呈現，但其也特別揭示指引非權威解釋，所列案例與例示僅供說明與解釋之用。然而在其將原本高度個案化、難以事前預測之合理使用判斷，整理為可操作之不利類型與事例，為權利人與AI開發者提供風險預判之座標。以指引降低判斷不確定性之方式，亦呼應我國人工智慧基本法立法後，政府在相關作用法的整備上，以指引先行因應、再視實務累積決定是否立法之階段性的治理選擇，足供我國參酌。 本文著作權屬財團法人資訊工業策進會科技法律研究所所有，如需引用或轉載，請註明出處。 本文同步刊登於TIPS網站（https://keid.nat.gov.tw/tips/） [1] 韓國文化體育觀光部、韓國著作權委員會，《生成式AI模型訓練之合理使用適用原則指引》（Guide on Applicability of the Fair Use Doctrine to Training of Generative AI Models），頁8（2026）。 [2] 同前註，頁32-37。 [3]同前註，頁37~39。 [4] 同前註，頁39~41。 [5] 同前註，頁41~45。 [6] 同前註，頁50~頁62。
美國FCC公布網路中立規則，確保網際網路自由與開放美國「聯邦通訊委員會」（Federal Communications Commission，FCC）於2010年12月21日表決通過「網路中立性」（Net Neutrality）規則，確保網際網路的自由開放，限制網路服務提供者（ISP）不得針對網路流量與內容進行不合理的管制，保障消費者權益、意見表達的自由、網路服務的競爭與創新。 網路中立性爭議由來已久，自2005年FCC公布網際網路政策聲明以來，對於管制機關是否介入ISP對於網際網路流量與內容之管理，一直爭執不斷。網路上服務與內容的創新驅動寬頻網路的發展，寬頻網路的普及又促進更多的創新與投資，在此時，寬頻網路壅塞的問題也日益嚴重，寬頻ISP為了確保競爭優勢，開始針對網路的流量進行管理，投入新技術建立網路流量的優先權與過濾機制中。 為了避免ISP管理網路的行為影響網路的競爭與創新發展，FCC自2009年開始探討網路中立性之管理規則。 本次公布之網路中立性規則包含五個部分： 1. 透明度（Transparency）： ISP應公開揭露關於網路管理的資訊，包含網路接取服務之管理措施、商業條款，提供消費者及上下游業者做出適當的選擇。 2. 禁止封鎖（No Blocking）行為： 不得任意封鎖使用者及其他網路服務或內容提供者合法使用、接取網路的權利，凡是合法的內容、服務、應用等，皆不得被阻止。 3. 禁止不合理差別待遇（No Unreasonable Discrimination）： 不得無故對於消費者接取網路之內容與流量進行差別待遇。 4. 定義合理的網路管理行為（Reasonable network management）： 合理的網路管理包括：確保網路的安全與完整、解決網路壅塞的狀況、基於消費者自願的控制與過濾機制。 5. 區分無線行動網路與特殊服務 考量無線行動網路在速度、容量上與固定網路的差異，FCC制訂相關量測的規範，在合理網路管理的條件上，無線行動網路與固定網路將有不同的管制密度。 而FCC也將區分網路特殊服務，有別於單純的寬頻接取服務，特殊服務是在基礎網路上提供主要專業用途的服務，例如VOIP或視訊服務（IPTV），以促進更多元的私人網路投資與更創新的網路服務發展。 新的網路中立性規則仍然受到許多的批評，倡議者認為FCC宣示的管制強度太低，ISP有可能以各種手段迴避管制，公眾利益團體亦認為FCC未禁止「付費優先權」（Pay for priority），將使網際網路出現「高速/慢速」的不公平狀況；而反對者則認為FCC的管制將影響網路的創新服務發展，不利未來的投資。然而無論如何，這仍是在Comcast案受挫後，FCC維護網際網路的開放性所重新邁出之重要一步。
新加坡宣布啟動「無形資產轉化」指導計畫，以協助企業更好地利用無形資產新加坡智慧財產局（Intellectual Property Office of Singapore, IPOS）於2023年2月16日宣布啟動「無形資產轉化」（Mentorship for Intangible Asset Transformation (MINT) Programme）指導計畫（簡稱MINT計畫）。MINT計畫為世界智慧財產權組織（World Intellectual Property Organization, WIPO）與IPOS的合作項目，並得到了新加坡科技與研究局（Agency for Science, Technology and Research, A*STAR）、新加坡企業發展局（Enterprise Singapore, Enterprise SG）和新加坡工商聯合總會（Singapore Business Federation, SBF）的支持。根據此計畫，企業將得到由WIPO於新加坡當地及國際所動員專家之為期四個月的一對一指導，以及下述機會，以使其可更好地發揮無形資產價值，諸如進行技術授權、讓與，或設質、抵押等融資行為： （1）參與WIPO的實體及線上遠距課程及IPOS的工作坊，以及使用實用工具和資源，如WIPO Academy所研發學習模組的機會； （2）同儕間的交流及增進人脈的機會； （3）參與國際項目的獨家機會。 據WIPO智慧財產權和創新生態系統部門（IP and Innovation Ecosystems Sector）助理署長Marco Alemán所稱，隨著無形經濟的興起，智慧財產的策略性管理對於無形資產密集型企業而言十分重要。在與其他頂尖的智慧財產權與商業管理專家的合作下，WIPO和IPOS將與參與此計畫的新加坡企業密切合作，以求可透過對於智慧財產權的策略性使用，使其業務量逐步規模成長。 MINT計畫之開放申請期限截止於2023年3月13日，並於2023年4月初正式開始；前述關於學習、交流機會之更具體內容，後續可持續觀察。
通用人工智慧的透明揭露標準--歐盟通用人工智慧模型實踐準則「透明度 (Transparency)」章通用人工智慧的透明揭露標準--歐盟通用人工智慧模型實踐準則「透明度 (Transparency)」章 資訊工業策進會科技法律研究所 2025年08月06日 歐盟人工智慧辦公室(The European AI Office，以下簡稱AIO) 於2025年7月10日提出《人工智慧法案》（AI Act, 以下簡稱AIA法案）關於通用型人工智慧實作的準則[1] (Code of Practice for General-Purpose AI Models，以下簡稱「GPAI實踐準則」)，並於其中「透明度 (Transparency)」章節[2]，針對歐盟AIA法案第53條第1項(a)、(b)款要求GPAI模型的提供者必須準備並提供給下游的系統整合者 (integrator) 或部署者 (deployer) 足夠的資訊的義務，提出模型文件(Model Documentation)標準與格式，協助GPAI模型提供者制定並更新。 壹、事件摘要 歐盟為確保GPAI模型提供者遵循其AI法案下的義務，並使AIO能夠評估選擇依賴本守則以展現其AI法案義務合規性的通用人工智慧模型提供者之合規情況，提出GPAI實踐準則。當GPAI模型提供者有意將其模型整合至其AI系統的提供者（以下稱「下游提供者」）及應向AIO提供相關資訊，其應依透明度章節要求措施(詳下述)提出符合內容、項目要求的模型文件，並予公開揭露且確保已記錄資訊的品質、安全性及完整性 (integrity)。 由於GPAI模型提供者在AI價值鏈 (AI value chain) 中具有特殊角色和責任，其所提供的模型可能構成一系列下游AI系統的基礎，這些系統通常由需要充分了解模型及其能力的下游提供者提供，以便將此類模型整合至其產品中並履行其AIA法案下的義務。而相關資訊的提供目的，同時也在於讓AIO及國家主管機關履行其AI法案職責，特別是高風險AI的評估。 AIO指出完整填寫與定期更新模型文件，是履行AIA法案第53條義務的關鍵步驟。GPAI模型提供者應建立適當的內部程序，確保資訊的準確性、時效性及安全性。模型文件所含資訊的相關變更，包括同一模型的更新版本，同時保留模型文件的先前版本，期間至模型投放市場後10年結束。 貳、重點說明 一、制定並更新模型文件(措施1.1) 透明度 (Transparency)章節提供模型文件的標準表格，做為GPAI實踐準則透明度章節的核心工具，協助GPAI模型提供者有系統性的整理並提供AIA法案所要求的各項資訊。表格設計考量了不同利害關係人的資訊需求，確保在保護商業機密的同時，滿足監管透明度的要求。 前揭記錄資訊依其應提供對象不同，各欄位已有標示區分該欄資訊係用於AI辦公室 (AIO)、國家主管機關 (NCAs) 或下游提供者 (DPs)者。適用於下游提供者的資訊，GPAI模型提供者應主動提供(公開揭露)，其他則於被請求時始須提供(予AIO或NCAs)。 除基本的文件最後更新日期與版本資訊外，應提供的資訊分為八大項，內容應包括： (一)、一般資訊General information 1.模型提供者法律名稱(Legal name) 2.模型名稱(Model name)：模型的唯一識別碼（例如 Llama 3.1-405B），包括模型集合的識別碼（如適用），以及模型文件涵蓋之相關模型公開版本的名稱清單。 3.模型真實性(Model authenticity)：提供明確的資訊例如安全雜湊或URL端點，來幫助使用者確認這個模型的來源 (Provenance)、是否真實性未被更動 (Authenticity)。 4.首次發布日(Release date)與首次投放歐盟市場的日期(Union market release date)。 5.模型依賴(Model dependencies)：若模型是對一個或多個先前投放市場的GPAI模型進行修改或微調的結果，須列出該等模型的名稱（及相關版本，如有多個版本投放市場）。 (二)、模型屬性(Model properties) 1.Model architecture 模型架構：模型架構的一般描述，例如轉換器架構 (transformer architecture)。 2.Design specifications of the model 模型設計規格：模型主要設計規格的一般描述，包括理由及所作假設。 3.輸出/入的模式與其最大值(maximum size)：說明係文字、影像、音訊或視訊模式與其最大的輸出/入的大小。 4.模型總參數量(model size)與其範圍(Parameter range)：提供模模型參數總數，記錄至少兩個有效數字，例如 7.3*10^10 參數，並勾選參數(大小)所在範圍的選項，例如：☐>1T。 (三)、發佈途徑與授權方式(Methods of distribution and licenses) 1.發佈途徑Distribution channels：列舉在歐盟市場上使用模型的採用法，包括API、軟體套裝或開源倉庫。 2.授權條款License：附上授權條款鏈結或在要求時提供副本；說明授權類型如: 開放授權、限制性授權、專有授權；列出尚有提供哪些相關資源(如訓練資料、程式碼)與其存取方式、使用授權。 (四)、模型的使用(Use) 1.可接受的使用政策Acceptable Use Policy：附上可接受使用政策連結或副本或註明無政策。 2.預期用途或限制用途Intended uses：例如生產力提升、翻譯、創意內容生成、資料分析、資料視覺化、程式設計協助、排程、客戶支援、各種自然語言任務等或限制及/或禁止的用途。 3.可整合AI系統之類型Type and nature of AI systems：例如可能包括自主系統、對話助理、決策支援系統、創意AI系統、預測系統、網路安全、監控或人機協作。 4.模型整合技術方式Technical means for integration：例如使用說明、基礎設施、工具）的一般描述。 5.所需軟硬體資源Required hardware與software：使用模型所需任何軟硬體（包括版本）的描述，若不適用則填入「NA」。 (五)、訓練過程(Training process) 1.訓練過程設計規格(Design specifications of the training process)：訓練過程所涉主要步驟或階段的一般描述，包括訓練方法論及技術、主要設計選擇、所作假設及模型設計最佳化目標，以及不同參數的相關性（如適用）。例如：「模型在人類偏好資料集上進行10個輪次的後訓練，以使模型與人類價值觀一致，並使其在回應使用者提示時更有用」。 2.設計決策理由(Decision rationale)：如何及為何在模型訓練中做出關鍵設計選擇的描述。 (六)、用於訓練、測試及驗證的資料資訊(Information on the data used for training, testing, and validation) 1.資料類型樣態Data type/modality：勾選樣態包括文字、影像、音訊、視訊或說明有其他模態。 2.資料來源Data provenance：勾選來源包括網路爬蟲、從第三方取得的私人非公開資料集、使用者資料、公開資料集、透過其他方式收集的資料、非公開合成(Synthetic )資料等。 3.資料取得與選取方式(How data was obtained)：取得及選擇訓練、測試及驗證資料使用方法的描述，包括用於註釋資料的方法及資源，以及用於生成合成資料的模型及方法。從第三方取得的資料，如果權利取得方式未在訓練資料公開摘要中披露，應描述該方式。 4.資料點數量Number of data points：說明訓練、測試及驗證資料的大小（資料點數量），連同資料點單位的定義（例如代幣或文件、影像、視訊小時或幀）。 5.資料範疇與特性(Scope and characteristics)：指訓練、測試及驗證資料範圍及主要特徵的一般描述，如領域（例如醫療保健、科學、法律等）、地理（例如全球、限於特定區域等）、語言、模式涵蓋範圍。 6.資料清理處理方法(Data curation methodologies)：指將獲取的資料轉換為模型訓練、測試及驗證資料所涉及的資料處理一般描述，如清理（例如過濾不相關內容如廣告）、資料擴增。 7.不當資料檢測措施(Measures for unsuitability)：在資料獲取或處理中實施的任何方法描述（如有），以偵測考慮模型預期用途的不適當資料源，包括但不限於非法內容、兒童性虐待材料 (CSAM)、非同意親密影像 (NCII)，以及導致非法處理的個人資料。 8.可識別偏誤檢測措施(Measures to detect identifiable biases)：描述所採取的偵測與矯正訓練資料存在偏誤的方法。 (七)、訓練期間的計算資源(Computational resources (during training)) 1.訓練時間(Training time)：所測量期間及其時間的描述。 2.訓練使用的計算量(Amount of computation used for training)：說明訓練使用的測量或估計計算量，以運算表示並記錄至其數量級（例如 10^24 浮點運算）。 3.測量方法論(Measurement methodology)：描述用於測量或估計訓練使用計算量的方法。 (八)、訓練及推論的能源消耗(Energy consumption (during training and inference)) 1.訓練耗能(Amount of energy used for training)及其計量方法：說明訓練使用的測量或估計能源量，以百萬瓦時表示（例如 1.0x10^2 百萬瓦時）。若模型能源消耗未知，可基於所使用計算資源的資訊估計能源消耗。若因缺乏計算或硬體提供者的關鍵資訊而無法估計訓練使用能源量，提供者應披露所缺乏的資訊類型。 2.推論運算耗能的計算基準 (Benchmarked amount of computation used for inference1)及其方法：以浮點運算表示方式（例如 5.1x10^17 浮點運算）說明推論運算的基準計算量，並提供計算任務描述（例如生成100000個代幣Token）及用於測量或估計的硬體（例如 64個Nvidia A100）。 二、提供GPAI模型相關資訊(措施1.2) 通用人工智慧模型投放市場時，應透過其網站或若無網站則透過其他適當方式，公開揭露聯絡資訊，供AIO及下游提供者請求取得模型文件中所含的相關資訊或其他必要資訊，以其最新形式提供所請求的資訊。 於下游提供者請求時，GPAI模型提供者應向下游提供者提供最新模型文件中適用於下游提供者的資訊，在不影響智慧財產權及機密商業的前提下，對使其充分了解GPAI模型的能力及限制，並使該等下游提供者能夠遵循其AIA法案義務。資訊應在合理時間內提供，除特殊情況外不得超過收到請求後14日。且該資訊的部分內容可能也需要以摘要形式，作為GPAI模型提供者根據AIA法案第53條第1項(d)款必須公開提供的訓練內容摘要 (training content summary) 的一部分。 三、確保資訊品質、完整性及安全性(措施1.3) GPAI模型提供者應確保資訊的品質及完整性獲得控制，並保留控制證據以供證明遵循AIA法案，且防止證據被非預期的變更 (unintended alterations)。在制定、更新及控制資訊及記錄的品質與安全性時，宜遵循既定協議 (established protocols) 及技術標準 (technical standards)。 參、事件評析 一、所要求之資訊完整、格式標準清楚 歐盟AGPAI實踐準則」的「透明度 (Transparency)」提供模型文件的標準表格，做為GPAI實踐準則透明度章節的核心工具，從名稱、屬性、功能等最基本的模型資料，到所需軟硬體、使用政策、散佈管道、訓練資料來源、演算法設計，甚至運算與能源消秏等，構面完整且均有欄位說明，而且部分欄位直接提供選項供勾選，對於GPAI模型提供者提供了簡明容易的AIA法案資訊要求合規做法。 二、表格設計考量不同利害關係人的資訊需求 GPAI實踐準則透明度章節雖然主要目的是為GPAI模型提供者對由需要充分了解模型及其能力的下游提供者提供資訊，以便其在產品履行AIA法案下的義務。但相關資訊的提供目的，同時也在於讓AIO及國家主管機關履行其AI法案職責，特別是高風險AI的評估。因此，表格的資訊標示區分該欄資訊係用於AI辦公室 (AIO)、國家主管機關 (NCAs) 或下游提供者 (DPs)者，例如模型的訓練、資料清理處理方法、不當內容的檢測、測試及驗證的資料來源、訓練與運算的能秏、就多屬AIO、NCAs有要求時始須提供的資料，無須主動公開也兼顧及GPAI模型提供者的商業機密保護。 三、配套要求公開並確保資訊品質 該準則除要求GPAI模型提供者應記錄模型文件，並要求於網站等適當地，公開提供下游提供者請求的最新的資訊。而且應在不影響智慧財產權及機密商業的前提下，提供其他對使其充分了解GPAI模型的能力及限制的資訊。同時，為確保資訊的品質及完整性獲得控制，該準則亦明示不僅應落實且應保留證據，以防止資訊被非預期的變更。 四、以透明機制落實我國AI基本法草案的原則 我國日前已由國科會公告人工智慧基本草案，草案揭示「隱私保護與資料治理」、「妥善保護個人資料隱私」、「資安與安全 」、「透明與可解釋 」、「公平與不歧視」、「問責」原則。GPAI實踐準則透明度章節，已提供一個重要的啟示—透過AI風險評測機制，即可推動GPAI模型資訊的揭露，對相關資訊包括訓練資料來源、不當內容防止採取做一定程度的揭露要求。 透過相關資訊揭露的要求，即可一定程度促使AI開發提供者評估認知風險，同時採取降低訓練資料、生成結果侵權或不正確的措施。即便在各領域作用法尚未能建立落實配套要求，透過通過評測的正面效益，運用AI風險評測機制的資訊提供要求，前揭草案揭示的隱私、著作、安全、問責等原則，將可以立即可獲得一定程度的實質落實，緩解各界對於AI侵權、安全性的疑慮。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw） [1]The European AI Office, The General-Purpose AI Code of Practice, https://digital-strategy.ec.europa.eu/en/policies/contents-code-gpai 。(最後閱覽日：2025/07/30) [2]The European AI Office, Code of Practice for General-Purpose AI Models–Transparency Chapter, https://ec.europa.eu/newsroom/dae/redirection/document/118120 。(最後閱覽日：2025/07/30)