AI很強(qiáng)，但并不能無中生有。

AI具備的能力，本質(zhì)上來自算法和訓(xùn)練大模型所用的數(shù)據(jù)，數(shù)據(jù)的數(shù)量和質(zhì)量會對大模型起到?jīng)Q定性作用。此前OpenAI工作人員表示，因沒有足夠多的高質(zhì)量數(shù)據(jù)，Orion項目（即GPT-5）進(jìn)展緩慢。不得已之下，OpenAI招募了許多數(shù)學(xué)家、物理學(xué)家、程序員原創(chuàng)數(shù)據(jù)，用于訓(xùn)練大模型。

AI公司在數(shù)據(jù)方面面臨的難題遠(yuǎn)不止于此，因頻頻侵權(quán)造成的版權(quán)問題，正困擾著AI公司。大型AI公司有足夠的資源和精力應(yīng)對侵權(quán)問題，小公司一旦收到大量起訴，很可能遭受滅頂之災(zāi)。

版權(quán)，AI行業(yè)的又一塊絆腳石

自從ChatGPT誕生，版權(quán)之爭就已開啟。最初反對AI的人以畫師為主，AI公司用他們的作品訓(xùn)練大模型，又搶了他們的工作。但當(dāng)時AI大模型訓(xùn)練所需的數(shù)據(jù)量不夠大，不至于得罪太多人，畫師群體規(guī)模小，能夠發(fā)出的聲音和起到的效果有限。

可AI大模型功能不斷強(qiáng)化能力的同時，對于數(shù)據(jù)的需求量也與日俱增。除了公開的科學(xué)論文，AI公司還會抓取社交平臺上的帖子、媒體發(fā)布的新聞報道等信息。社交平臺上的帖子還好說，要求不是特別嚴(yán)格，可媒體上的新聞報道卻存在版權(quán)。

（圖源：豆包AI生成）

2024年11月底，加拿大《多倫多星報》及旗下的五家媒體，向OpenAI發(fā)起訴訟，稱其在未經(jīng)允許的情況下從加拿大媒體抓取內(nèi)容訓(xùn)練大模型，要求OpenAI為使用的新聞報道每篇支付2萬加元（約合人民幣10萬元），總金額估計有數(shù)十億加元。

面對《多倫多星報》的指控和天價賠償要求，OpenAI自然矢口否認(rèn)，并發(fā)表聲明稱訓(xùn)練AI大模型以公開數(shù)據(jù)為基礎(chǔ)，以公平使用和國際版權(quán)原則為依據(jù)，對于創(chuàng)作者是公平的。

不只是加拿大媒體，美國的The Intercept、《紐約時報》、Raw Story、AlterNet ，印度的ANI，以及德國版權(quán)機(jī)構(gòu)GEMA等，都曾起訴過OpenAI。

因視頻生成和音頻生成大模型日漸成熟，AI公司引發(fā)的版權(quán)問題也愈發(fā)嚴(yán)重。2024年6月，美國唱片協(xié)會起訴了Suno和Udio兩家AI音樂公司。

國內(nèi)AI行業(yè)存在相同的問題，例如位列中國AI大模型六小龍之一的MiniMax，因未經(jīng)授權(quán)使用愛奇藝的素材訓(xùn)練海螺AI，日前遭遇愛奇藝起訴，被索賠10萬元。

（圖源：MiniMax）

更有甚者，不但侵犯作品的版權(quán)，還侵犯了公眾人物的肖像權(quán)。例如著名的AI孫燕姿、AI雷軍事件，某些網(wǎng)友利用AI合成技術(shù)讓孫燕姿演唱各種歌曲，讓雷軍“口吐芬芳”。2024年4月23日，國內(nèi)首例AI生成聲音人格侵權(quán)案宣判，被侵權(quán)的殷女士獲勝，侵權(quán)公司賠償其25萬元，總算給創(chuàng)作者們一絲安慰。

OpenAI面對侵權(quán)起訴時，雖表示訓(xùn)練AI大模型以公開數(shù)據(jù)為基礎(chǔ)，但公開并不意味著數(shù)據(jù)無版權(quán)。攝影師拍攝的圖片、編輯創(chuàng)作的文章等內(nèi)容，都存在版權(quán)，放任AI公司隨意抓取，無疑是在侵害創(chuàng)作者的利益。

長此以往，創(chuàng)作者的創(chuàng)作熱情和信心難免受到打擊，減少內(nèi)容創(chuàng)作。如此一來，訓(xùn)練AI大模型的數(shù)據(jù)也將更加捉襟見肘，影響到AI行業(yè)的正常發(fā)展。如何維護(hù)創(chuàng)作者的合法權(quán)益、打擊侵權(quán)行為，已成為AI行業(yè)必須解決的問題。

成立“共享數(shù)據(jù)庫”勢在必行

前段時間國內(nèi)AI公司DeepSeek基于數(shù)據(jù)蒸餾方案，以其他AI大模型為教師模型，訓(xùn)練出了參數(shù)量和占用資源更少，且訓(xùn)練成本極低的DeepSeek-V3大模型。但因回答用戶問題時自稱“ChatGPT”，DeepSeek-V3遭遇OpenAI CEO山姆·奧特曼嘲諷。自認(rèn)為沒有侵權(quán)加拿大媒體的OpenAI，面對其他AI公司對他們可能存在的侵權(quán)行為卻表現(xiàn)得十分不滿。

無論山姆·奧特曼如何否認(rèn)，OpenAI侵權(quán)的行為已經(jīng)坐實，且侵權(quán)問題在整個AIGC行業(yè)普遍存在。

為處理更多、更復(fù)雜的問題，未來先進(jìn)AI大模型的參數(shù)還會不斷增加，對于數(shù)據(jù)量的需求也會越來越高。尤其是視頻生成和音頻生成大模型的到來，侵權(quán)行為將更加廣泛、更加頻繁。

（圖源：豆包AI生成）

解決版權(quán)糾紛源頭上需要相關(guān)部門制定相應(yīng)的法律法規(guī)，限制AI公司侵權(quán)，保護(hù)創(chuàng)作者的權(quán)益。2022年12月印發(fā)的《中共中央 國務(wù)院關(guān)于構(gòu)建數(shù)據(jù)基礎(chǔ)制度更好發(fā)揮數(shù)據(jù)要素作用的意見》，對待AI公司使用互聯(lián)網(wǎng)公開內(nèi)容的態(tài)度是，淡化所有權(quán)、強(qiáng)化使用權(quán)，如涉及商業(yè)使用，則需要向創(chuàng)作者支付費用。

2024年11月19日在西安舉辦的中歐數(shù)字環(huán)境下版權(quán)保護(hù)研討會上，主辦方強(qiáng)調(diào)將以《中華人民共和國著作權(quán)法實施條例》為修訂契機(jī)，完善制度設(shè)計，保護(hù)著作人的合法權(quán)益。

中國版權(quán)協(xié)會理事長閻曉宏表示，從技術(shù)角度來看，使用有版權(quán)的作品要公布版權(quán)信息，原則上要獲得作品的授權(quán)，但實際上是做不到的。究其原因，企業(yè)訓(xùn)練AI大模型的數(shù)據(jù)來源過于復(fù)雜，媒體的新聞報道、個人發(fā)布的帖子、科研機(jī)構(gòu)的論文、各大公司報告等，很難一一統(tǒng)計和申請授權(quán)。

因而還需要全球互聯(lián)網(wǎng)企業(yè)、學(xué)術(shù)研究機(jī)構(gòu)聯(lián)合起來，打造一個共享數(shù)據(jù)庫，對互聯(lián)網(wǎng)上公開的數(shù)據(jù)進(jìn)行標(biāo)注，明確版權(quán)歸屬。AI公司需要數(shù)據(jù)時，必須與互聯(lián)網(wǎng)公司和學(xué)術(shù)研究機(jī)構(gòu)成立的聯(lián)盟合作，商談能夠調(diào)用哪些數(shù)據(jù)、需要支付多少成本。互聯(lián)網(wǎng)公司聯(lián)盟在打造共享數(shù)據(jù)庫的同時，也要與創(chuàng)作者溝通合作，取得創(chuàng)作者的授權(quán)并支付相應(yīng)的費用后，才能將內(nèi)容加入數(shù)據(jù)庫中。

（圖源：豆包AI生成）

這樣一來，掌握大量數(shù)據(jù)的互聯(lián)網(wǎng)公司將承擔(dān)起“中間商”的責(zé)任，同時與創(chuàng)作者和AI公司對接，即保障了創(chuàng)作者可以獲取收益，本身也能從中抽取一定的利潤。對于騰訊、百度、字節(jié)跳動、FaceBook、X等國內(nèi)外互聯(lián)網(wǎng)公司而言，還多出了一條信息變現(xiàn)渠道。

AI公司雖要花錢購買數(shù)據(jù)，但抓取數(shù)據(jù)的難度大幅降低，獲取數(shù)據(jù)的渠道也會增多，反而能夠減少一部分成本。OpenAI工作人員吐槽數(shù)據(jù)不夠用，實際是公開且易獲取的數(shù)據(jù)不夠用了。互聯(lián)網(wǎng)宛如一座冰山，只有三分之一浮在水面上，剩下的三分之二則藏在水底。唯有AI公司愿意付出相應(yīng)的成本，才能夠利用這部分?jǐn)?shù)據(jù)訓(xùn)練大模型。

健全的數(shù)據(jù)共享機(jī)制，是AI的基石

OpenAI前員工Ilya Sutskever曾表示，數(shù)據(jù)是AI的化石燃料，而這份燃料即將耗盡，但我們只有一個互聯(lián)網(wǎng)，最大化數(shù)據(jù)的時代已經(jīng)過去了。再加上原定2024年中后期面世的GPT-5遲遲未能完成訓(xùn)練，不少人已在懷疑，人類社會的數(shù)據(jù)不夠支撐AI行業(yè)進(jìn)入下個階段。

事實上，人類社會每時每刻都在產(chǎn)生新數(shù)據(jù)，《全國數(shù)據(jù)資源調(diào)查報告》顯示，2023年中國數(shù)據(jù)產(chǎn)生總量高達(dá)32.85ZB（澤字節(jié)），平均每天產(chǎn)生900億GB數(shù)據(jù)。

（圖源：豆包AI生成）

在網(wǎng)絡(luò)滲透進(jìn)我們生活、辦公、娛樂等各個領(lǐng)域，并覆蓋全球接近70%人口的今天，用于訓(xùn)練AI大模型的數(shù)據(jù)不夠用是個偽命題。對于AI公司而言，難點在于如何將有效數(shù)據(jù)提取出來。

相關(guān)部門提供法律基礎(chǔ)、互聯(lián)網(wǎng)巨頭合力打造數(shù)據(jù)庫，篩選有效數(shù)據(jù)并保障創(chuàng)作者權(quán)益，無疑是最省時省力的方案。過去AI企業(yè)不缺數(shù)據(jù)，又想著吃獨食，沒有打造共享數(shù)據(jù)庫的意識。如今形勢發(fā)生變化，易獲取的數(shù)據(jù)不足以支撐AI行業(yè)進(jìn)入下個階段，唯有所有企業(yè)消除隔閡齊心協(xié)力，方能渡過數(shù)據(jù)量不足的難關(guān)。

在元宇宙、區(qū)塊鏈、3D打印、常溫超導(dǎo)、人工智能等諸多被認(rèn)為可能是第四次工業(yè)革命導(dǎo)火索的產(chǎn)業(yè)中，目前看來最有希望引領(lǐng)人類開啟第四次革命的就是人工智能和與其相關(guān)的機(jī)器人產(chǎn)業(yè)。

為了推動和規(guī)范行業(yè)發(fā)展，2024年10月21日的德國數(shù)字峰會上，德國施瓦茨數(shù)字公司和德國鐵路公司宣布成立“歐洲數(shù)據(jù)中心”，旨在為AI公司訓(xùn)練大模型提供數(shù)據(jù)支持。

該會議結(jié)束后僅一個月，中歐數(shù)字環(huán)境下版權(quán)保護(hù)研討會就在西安召開，表明中歐相關(guān)部門和企業(yè)有意合作，共同構(gòu)建AI行業(yè)發(fā)展基石。相信在全球諸多國家、企業(yè)的合作之下，未來數(shù)據(jù)將不再是困擾AI公司的難題。內(nèi)容創(chuàng)作者在提供數(shù)據(jù)幫助AI公司訓(xùn)練大模型的同時，也將能夠從中獲利，告別頻繁被侵權(quán)卻拿不到任何收益的時代。