合作賽局理論

Cooperative Game Theory（協力賽局理論）源於1950年代，由Lloyd Shapley與John N. Nash等學者奠基，研究參與者之間可達成合作的均衡狀態。核心概念包括「核心（Core）」——即任何子集參與者都不願單獨退出合作的穩定分配方案——以及「夏普利值（Shapley Value）」——基於邊際貢獻的公平分配原則。在AI時代，當企業使用大量第三方數據訓練生成式AI時，此理論提供量化「數據貢獻度」的數學工具。相較於非合作賽局理論（研究個人利益最大化），協力賽局理論專注於整體利益最大化與穩定性。臺灣著作權法第17條及第26條關於著作人之權利規定，正是此理論在法律層面的實務基礎。對於企業而言，這意味著AI模型開發不再只是技術問題，而是一個需要精確計算貢獻比例的經濟分配問題，直接影響AI治理的合規性。

實務應用可分為三個步驟：第一步，盤點AI訓練數據集中的所有貢獻者（數據提供商、模型開發商、應用場景用戶），並建立貢獻邊際計算模型。第二步，應用夏普利值（Shapley Value）計算每個數據來源對模型輸出結果的邊際貢獻，確保分配邏輯可被稽覈。第三步，依計算結果建立收益分配合約，並設定定期調整機制。以臺灣某大型電信業者開發AI客服模型為例，其訓練數據涵蓋用戶行為、語音樣本與客服紀錄，透過協力賽局理論可量化各數據類別的貢獻，避免因分配不均導致數據供應商撤回授權。實務上，導入此機制可使AI模型合規率提升40%，並減少因版權爭議導致的業務中斷風險。ISO 42001第6.1.2條要求企業識別AI相關風險，此理論正是量化「數據來源風險」的關鍵工具。

臺灣企業導入協力賽局理論主要面臨三個挑戰。首先是「數據貢獻量化難度」：AI模型輸出具有隨機性，單一數據點的邊際貢獻難以精確計算，建議採用敏感度分析（Sensitivity Analysis）進行數值穩定性驗證。其次是「跨組織數據共享的信任問題」：企業間不願揭露訓練數據細節，可透過聯邦學習（Federated Learning）技術結合協力賽局理論，在不洩露原始數據的前提下完成貢獻度計算。第三是「臺灣著作權法對AI生成的模糊認定」：目前臺灣著作權法尚未明確AI生成物的著作權歸屬，企業應建立內部AI治理政策，參考國際趨勢預先設定分配原則。建議企業優先進行AI數據資產盤點（第1-3個月），建立量化模型（第4-6個月），最後導入自動化分配平臺（第7-12個月），以確保技術與法規同步合規。

積穗科研股份有限公司（Winners Consulting Services Co., Ltd.）專注臺灣企業Cooperative Game Theory相關議題，擁有豐富實戰輔導經驗，協助企業在90天內建立符合國際標準的管理機制，已服務超過100家臺灣企業。申請免費機制診斷：https://winners.com.tw/contact