台湾扩大自有AI训练数据库——《台北时报》
台湾正在开发自己的数据库，用于训练人工智能系统，使其能够更准确地理解该国的语言、文化和社会价值观。9月15日，台湾数位发展部邀请出版社、作家和电子书平台参与建设Taiwan’s Sovereign AI Training Corpus。该数据库目前包含约5000个数据集和超过22亿个文本词元，《台北时报》报道。
数位发展部长林宜敬表示，语言模型对民主、制衡制度及其他概念的理解，是由其训练所使用的数据塑造的。她说，为了更准确地理解台湾，训练数据中必须纳入本地语言、文化和价值观。
主权AI的三项组成部分
文章指出，各国正日益重新审视对美国和中国科技公司的依赖。台湾的主权AI理念包括三个方向：知识主权，即系统能够正确理解台湾；数据主权，旨在使敏感信息处于本地控制之下；以及技术主权，旨在减少对外国模型供应商的依赖。
更多最新消息请关注 UA.News Telegram 频道 Telegram.
2023年，台湾启动了由政府支持的Trustworthy AI Dialogue Engine，即TAIDE。该项目旨在更好地处理繁体中文和台湾知识。当时，TAIDE负责人李育杰指出，多语言模型BLOOM的训练数据中有16%为简体中文，而繁体中文数据的占比仅为0.05%。
本地化提高准确性
TAIDE对参数可下载和修改的开放模型进行适配。早期版本使用了Meta的Llama，而当前的Gemma-3-TAIDE-12B基于Google的Gemma 3 12B。台湾的TMMLU+测试包含66个学科的2万多个问题，结果显示，TAIDE的2月模型正确回答率为58%，而原始Gemma为54%。在台湾地理问题中，结果为70%，而后者为61%。
与此同时，文章强调，本地训练并不能消除与最强大的外国模型之间的差距。该部的语料库还可用于RAG技术，在这种技术中，系统会在回答前从经过验证的文档数据库中检索信息。台北医学大学医学人工智能研究中心副主任张永春认为，由经过验证的台湾数据支持的更强推理模型，在复杂任务中可能优于较弱的本地适配模型。
