Nvidia、AMD 與全新的運算競賽

關於創作的全球大對話 在陽光明媚的日子裡，聊聊我們未來的創作方式真是再適合不過了。如果你有關注新聞，一定看過不少關於科技巨頭與作家、畫家之間爭論的報導。這感覺就像一場巨大的拔河：一邊是創新的速度，另一邊則是靈感來源者的權益。核心重點在於，我們並非要在科技與藝術之間二選一，而是要找到讓兩者和諧共存的方法。這是一個關於平衡以及如何透過新規則讓各方共贏的故事。無論你是專業作家，還是單純喜歡利用新工具來簡化生活的愛好者，這件事都與你息息相關。就像與朋友喝著暖呼呼的咖啡，一起展望未來。我們正從混亂的起步階段，邁向一個更有序、更友善的未來。這不僅僅是一場法律戰，更是在節奏飛快的世界中，如何珍視人類創意價值的課題。 核心結論是，我們正走向一個讓每個人都能參與其中的世界。我們正從數據抓取的「蠻荒時代」，轉向一個更具組織性、人人都有發言權的環境。這對創作者和科技愛好者來說都是雙贏。我們正在見證創作者與工具開發者之間展開一場宏大的對話。這不只是機器取代人類的問題，而是關於在飛速發展的世界中，我們如何看待創意。好消息是，我們正在找到一個各方都能接受的折衷方案。我們正擺脫「網路上的一切皆可免費取用」的舊觀念，轉而強調尊重與合作。這是一件美好的事，因為這意味著我們正在為網際網路及其中豐富的內容，建立一個更永續的未來。 機器學習的「秘方」 「主廚類比」能幫助我們理解這些智慧工具是如何學習的。想像一座擁有古今中外所有書籍與畫作的巨大圖書館，現在有一位超級快速的學生，能在一個下午讀完所有書。這位學生不是要逐字背誦，而是要理解懸疑小說的氛圍，或是油畫中夕陽的呈現方式。這正是 AI 模型所做的事：它們在數據中尋找規律。它們學會了「蘋果」一詞常與「派」或「樹」連在一起；它們學會了數位繪畫中的筆觸通常遵循某種曲線。這就是為什麼藝術家和出版商要發聲的原因，因為他們正是填滿那座圖書館的人。沒有他們的辛勤工作，學生就沒有東西可學。這是一個理解複雜系統的有趣方式，我們本質上是在教機器運用人類集體的智慧，產生一種「數位直覺」。這很美，但也意味著我們必須公平對待這些提供教材的「老師」。 有一種常見的誤解，認為這些工具只是大型影印機，但事實並非如此。當你要求 AI 寫一首詩時，它並不是在找一首詩來複製，而是利用它學到的節奏與韻律來創作新事物。這更像是一位品嚐過上千種湯品的主廚，現在知道如何熬出自己獨特的湯頭。這就是為什麼關於所有權的討論如此引人入勝。如果主廚是從你的食譜學會的，你是否該得到一點小費？許多人認為答案是肯定的。我們正朝著一個讓提供訓練數據的貢獻者獲得認可的世界邁進。這與一年前相比有了巨大的變化，當時大多數操作都在幕後進行，現在一切都攤在陽光下，這對科技界與創意產業都是非常健康的發展。 為什麼全世界都在關注這個故事 一場「全球握手」正在發生，因為網際網路沒有國界。東京的作家與巴黎的畫家，都是這龐大資訊池的一部分。現在，對話已從「我們可以這樣做嗎？」轉向「我們該如何做？」。這對每個人都是好消息。制定明確的規則，能讓企業更安心地開發新技術，也給了創作者安全感。我們正擺脫「網路上的一切皆可免費取用」的觀念，轉而聚焦於「合理使用」（fair use）與授權。這意味著大公司開始為他們所需的高品質數據付費，這有助於維持在地新聞的運作，並確保藝術家能持續創作我們喜愛的作品。人類精神的創造力是推動這一切的動力，保護這種精神，其實也是在優化科技。當 AI 從高品質、經過驗證的資訊中學習時，它會變得更實用且更少出錯。這是一個讓每個使用智慧型手機或電腦的人都能受益的良性循環。 這也關乎未來的工作型態。如果規則制定得當，AI 將能協助我們提升創意，而非削弱它。我們正看到新的商業模式出現，創作者可以選擇授權自己的作品用於訓練並獲取報酬。這是一大進步，意味著創新的速度不必以犧牲他人為代價。我們正見證全球對於數位財產觀念的轉變，這不再只是關於檔案與資料夾，而是關於其中所蘊含的創意價值。這是一個對未來非常樂觀的願景，科技與人類的努力相輔相成。你可以查看最新的 AI 產業動態，了解這些每週都在簽署的協議。這是一個令人興奮的時刻，故事幾乎每天都在變，我們正即時見證未來規則的制定，這是一個充滿希望的過程。 莎拉的明亮早晨 「莎拉的明亮早晨」是感受這種變化的絕佳案例。想像一下自由撰稿人莎拉，她喜歡早晨的例行公事。過去，她可能會擔心自己的文章被用來訓練最終可能取代她工作的機器。但今天，世界看起來有些不同了。她看到她最喜歡的新聞媒體與一家大型 AI 公司簽署了協議。這份協議意味著她的作品受到重視，也意味著當有人向 AI 提問時，AI 可能會引用她的文章作為來源，這為她帶來了更多流量。對她和讀者來說都是雙贏。我們也在《紐約時報》等大型法律訴訟中看到這一點，他們要求建立明確的報導使用框架，這讓資訊變得更可靠、更合乎倫理，對整個產業來說是非常正面的改變。 另一個很好的例子是 Getty Images，他們致力於確保攝影師在照片協助模型學習視覺時能獲得補償。這些不僅是無聊的法庭案件，更是新工作模式的基石。這讓爭論變得非常有感。我們正邁向一個可以同時成為科技迷與藝術迷的世界。莎拉現在可以使用 AI 工具加速研究，並確信 AI 使用的數據是透過公平方式取得的。這讓她的工作流程更愉快，她感覺自己是團隊的一員，而不是在與機器賽跑。這就是讓這個故事如此令人興奮的現實影響力，人們正在變動的世界中找到蓬勃發展的新途徑。隨著新規則成形，我們正看到許多成長與圓滿的結局。 在向前邁進的同時，我們仍有一些好奇的問題。例如，我們該如何處理在這些新規則出台前就已經使用的數十億筆數據？這就像試圖在蛋糕烤好後把雞蛋拿出來一樣困難。我們也好奇這些授權協議的隱藏成本，是否只有大型出版商能獲利，而小型創作者被排除在外？我們也持續關注隱私問題，特別是當個人數據可能被隱藏在這些龐大的訓練集時。這是一個不斷演變的謎題，將讓我們思考很長一段時間。我們想知道是否有一種方法能在推動創新的同時，確保沒人掉隊。這將是未來幾年持續討論的議題，我們很期待看到答案。 創意引擎的技術層面 對於喜歡深入了解細節的「進階使用者」（Power User）來說，「工作流程」的部分才真正精彩。我們正看到對更好工作流程整合的巨大需求。例如，許多創作者現在在數位檔案中使用「選擇退出」（opt out）標籤，告知網路爬蟲該內容不應被用於訓練，這是對社會問題的技術性解決方案。我們也看到 API 限制的調整，企業變得更謹慎，以避免伺服器過載。此外，本地儲存與本地模型的興起也備受矚目，使用者不再依賴大型雲端，而是使用 Stable Diffusion 等工具在自己的硬體上運行模型。這讓他們能完全控制所使用的數據，可以將自己的草圖餵給模型以學習特定風格，而無需與外界分享。這是運算能力思考模式的重大轉變，目的是讓工具適應使用者，而不是反過來。 我們也看到 美國版權局 對法律保護範圍提供了更多指導，這有助於開發者在構建下一代軟體時明確界線。以下是目前正在改變的一些技術事項： 中繼資料（Metadata）標記正成為藝術家保護作品免於被抓取的標準。 API 限制正進行調整，以確保數據收集對網站所有者而言是永續且公平的。 本地訓練模型為個人創作者提供了更好的隱私保護與更快的處理速度。 這種技術轉變非常令人興奮，因為這意味著我們正邁向一個更去中心化、更公平的系統。這不再只是由一兩家大公司掌控一切，而是讓個人使用者擁有更多權力與選擇。這是科技圈的核心，而且是一個非常光明的核心。我們看到工具變得更精緻，也更尊重使用者。現在是成為進階使用者的好時機，因為工作方式與保護作品的選擇每天都在增加。我們發現，越了解技術，就越能以正面且有趣的方式運用它。 總結來說，未來看起來非常光明。我們正跨越混亂，走向一個合作的世界。出版商、藝術家與科技公司都在這個新領域中找到了立足點。我們發現，創新不必以犧牲所有權為代價。透過攜手合作，我們可以建立更強大、更合乎倫理且更有趣的工具。現在是創作者與科技迷的好時代，我們都是這趟激動人心旅程的一部分，最好的還在後頭。我們發現，交流與分享越多，工具對所有參與者就越好。這是一個關於進步的故事，也是一個關於更具創意與連結的世界的希望故事。

目前在聯邦法院進行的法律訴訟，不僅僅是關於金錢或授權費用的問題。它們代表了一場根本性的鬥爭，旨在定義在生成式模型時代「創作」的真正意義。多年來，科技公司幾乎毫無阻力地從開放網路中抓取資料，認為其龐大的營運規模會賦予他們某種事實上的豁免權。但那個時代已經結束了。紐約和加州的法官現在必須決定：機器是否能像人類學生從教科書學習那樣，從受版權保護的材料中學習？還是說，這些模型僅僅是高速剽竊的精密引擎？判決結果將決定未來十年網際網路的經濟結構。如果法院裁定訓練屬於「轉換性使用」（transformative use），目前的快速發展軌跡將持續；如果裁定訓練必須為每個資料點取得明確許可，構建大規模系統的成本將會飆升。這是自檔案分享時代初期以來最重大的法律緊張局勢，但其賭注涉及人類知識與表達的核心基石。 定義「合理使用」的界線幾乎每一場重大訴訟的核心都是「合理使用」（fair use）原則。這項法律原則允許在特定條件下（如評論、新聞報導或研究）無需許可即可使用受版權保護的材料。科技公司辯稱，他們的模型並不儲存原始作品的副本。相反，他們聲稱模型是學習單字或像素之間的數學關係，從而創造出全新的事物。這就是業界所謂的「轉換性使用」。他們引用了過去涉及搜尋引擎的判決，這些搜尋引擎被允許索引網站，因為它們提供的是新服務，而非取代原始內容。然而，包括大型新聞機構和藝術家團體在內的原告則認為，生成式系統截然不同。他們聲稱這些模型的設計目的，就是為了與那些被用來訓練它們的人直接競爭。當使用者要求 AI 以某位在世作家的風格撰寫故事時，模型正在利用該作家的畢生心血，進而可能取代他們未來的收入。這些案件的程序步驟與最終裁決同樣重要。在法官對案件實質內容做出裁決之前，必須先處理駁回動議和證據開示（discovery）請求。這些早期階段迫使科技公司揭露他們究竟使用了哪些資料以及如何處理這些資料。許多公司以競爭優勢為由，將訓練集視為機密。現在，法院正在剝開這層神祕面紗。即使案件最終達成庭外和解，在證據開示階段公開的資訊，也能為未來的監管提供藍圖。我們正目睹一種轉變，舉證責任正從創作者轉移到科技巨頭身上。法院不僅在審視 AI 的最終輸出，還在審視整個資料攝取管道。這包括資料是如何被抓取的、儲存在哪裡，以及在過程中是否繞過了任何數位版權管理工具。這些技術細節將構成整個產業新法律標準的基礎。 資料權利的國際分歧當美國法院聚焦於合理使用時，世界其他地區正採取不同的路徑。這為全球科技公司創造了一個碎片化的法律環境。在歐盟，《AI 法案》（AI Act）引入了嚴格的透明度要求。它強制要求公司揭露用於訓練的受版權保護材料，無論訓練發生在何處。這與美國依賴事後訴訟的體系形成了鮮明對比。歐盟的方法是主動的，旨在模型發布給公眾之前就防止版權侵權。這種哲學上的差異意味著，在舊金山合法運行的模型，在柏林部署時可能就是非法的。對於全球使用者而言，這意味著您所在地區可用的功能，將越來越取決於當地對資料主權的詮釋。有些國家甚至正在考慮「文字與資料探勘」（text and data mining）的例外條款，專門允許 AI 訓練以鼓勵在地創新，而其他國家則在收緊邊界以保護國家文化遺產。跨國營運的公司對創新速度與所有權之間的緊張關係感受最為深刻。如果英國法院裁定抓取資料違反了資料庫權利，公司可能必須對其服務進行地理圍欄（geofencing）限制，或從模型中刪除英國公民的資料。這並非理論上的問題。我們已經看到各國監管機構因隱私擔憂而暫時禁止某些工具。這些案件的法律框架往往忽略了資料流動的實際現實。一旦模型訓練完成，若不從頭開始重新訓練整個系統，幾乎不可能讓模型「遺忘」特定資訊。這種技術限制使得法院的決定更加關鍵。單一裁決可能實際上迫使一家公司銷毀價值數十億美元的產品。這就是為什麼許多公司現在爭先恐後地與大型出版商簽署授權協議。他們正試圖在充滿模糊性的時代購買法律確定性。 程式碼與創作之間的摩擦要理解實際的利害關係，試想一位名為 Sarah 的專業插畫家的日常生活。她花了十五年時間發展出一種獨特的視覺風格，將傳統水彩技法與現代數位紋理相結合。一天早上，她發現一個新的 AI 工具，只需在提示詞中輸入她的名字，就能生成與她風格完全相同的圖像。她的客戶開始問，既然可以用幾分錢買到「Sarah 風格」的圖片，為什麼還要支付她的費用？這就是許多讀者對此議題產生的困惑。他們認為法律已經保護了 Sarah，但事實並非如此。版權保護的是具體作品，而非一般風格或「氛圍」。目前的訴訟正試圖彌補這一差距。Sarah 不僅是在為一張圖片而戰，她是在為控制自己專業身分的權利而戰。這就是論點顯得真實的地方。這不是關於抽象的程式碼，而是關於當機器可以在未曾經歷過人類生活的情況下模仿其產出時，人類維持生計的能力。商業後果遠不止於創意藝術。軟體開發人員正面臨類似的程式碼助手危機。這些工具是在數十億行公開程式碼上訓練出來的，其中許多程式碼受限於要求署名的授權協議。當 AI 向開發人員建議一段程式碼時，它往往會剝離該署名。這為使用這些工具的公司製造了法律地雷。開發人員可能會在不知情的情況下將受版權保護的程式碼插入專有產品中，導致未來面臨巨大的賠償責任。版權汙染的風險現在是企業法律部門的首要任務。一些公司甚至禁止在任何生產程式碼中使用生成式 AI，直到法院提供更明確的指引。他們正在等待一個訊號，確認使用這些工具不會導致可能拖垮業務的訴訟。這種謹慎態度正在減緩那些本應提高所有人生產力的工具的普及。BotNews.today 使用 AI 工具研究、撰寫、編輯和翻譯內容。 我們的團隊審查並監督此過程，以確保資訊實用、清晰且可靠。 即時效率的承諾正被法律風險的現實所沖淡。 《紐約時報》對 OpenAI 和微軟的訴訟就是這種衝突的一個典型例子。時報主張，AI 模型幾乎可以逐字重現其文章的整個段落。這破壞了他們的訂閱模式，而這是其新聞工作的命脈。如果使用者可以從聊天機器人那裡獲得深度調查報導的摘要，他們就沒有理由造訪原始網站。OpenAI 反駁稱，這種「吐出內容」（regurgitation）是一個錯誤而非功能，且他們正在努力修復。但對時報而言，損害已經造成。訓練過程本身就是侵權。此案很可能會上訴到最高法院，因為它觸及了版權法的根本目的。法律的存在是為了鼓勵人類創作新作品，還是為了促進使用這些作品的新技術發展？沒有簡單的答案，任何決定都會讓一方感到被背叛。 所有權與同意的未解之謎以蘇格拉底式的懷疑態度審視這種情況，會揭示出法院可能無法處理的更深層問題。如果一個模型是基於人類集體產出進行訓練的，那麼誰真正擁有結果？我們必須詢問，為印刷機和廣播而建立的現行法律框架，是否甚至有能力管理一個在統計層面上運作的系統？允許少數巨型企業攝取全球資料，隱藏的代價是什麼？如果我們賦予創作者對其資料的完全控制權，我們是否冒著創造一種「許可文化」的風險，即只有最富有的公司才負擔得起構建 AI？這可能導致未來創新被繁瑣的授權要求所扼殺。反之，如果我們允許自由抓取，我們是否會摧毀創造模型所需高品質資料的動力？該系統最終可能會因為讓最優秀的人類貢獻者失業而自我毀滅。我們還必須考慮版權討論中經常被掩蓋的隱私影響。訓練資料通常包含從未打算公開的個人資訊。當法院裁定抓取資料在版權目的上是合法的，是否也無意中為大規模蒐集個人身分開了綠燈？法律體系傾向於將這些問題分開處理，但在 AI 世界中，它們是密不可分的。這項技術的核心存在著深刻的「同意缺失」。大多數人並沒有意識到，當他們發布照片或撰寫部落格文章時，他們正在為一個有一天可能會取代他們的商業產品做出貢獻。法院被要求對已經發生的過程追溯性地應用同意原則。這對任何法官來說都是一個困難的處境。他們正試圖在車輛以時速一百英里在高速公路上行駛時進行維修。 您有任何關於 AI 的故事、工具、趨勢或問題，認為我們應該報導嗎？ 將您的文章想法寄給我們 — 我們很樂意聽取您的意見。 技術緩解與本地部署對於進階使用者和開發人員來說，法律的不確定性導致對本地儲存和主權模型的興趣激增。如果您不能信任雲端供應商能保持在法律正確的一側，合乎邏輯的步驟就是在本地運行模型。這繞過了許多關於資料保留和 API 限制的擔憂。現代工作流程正越來越多地整合「檢索增強生成」（RAG），將模型建立在使用者自己的私有資料上。這種技術允許模型在生成回應之前先查詢本地資料庫，確保輸出是基於經過驗證、授權或個人的來源，而不是一般訓練集的渾濁深處。這種向本地執行的轉變，是對集中式 AI 法律和隱私風險的直接回應。它允許在一個更受控的環境中進行，其中每一條資料的來源都是已知且有據可查的。API 限制和資料政策也在因應法律環境而改變。許多供應商現在為企業客戶提供「零保留」層級，承諾他們的資料不會被用於訓練模型的未來版本。然而，這些層級通常伴隨著顯著的價格溢價。法律合規的成本正直接轉嫁給使用者。開發人員還必須駕馭複雜的模型「吐出」（disgorgement）世界。這是一種法律補救措施，法院命令公司刪除在非法取得資料上訓練的模型。對於在特定 API 之上建立整個業務的開發人員來說，模型突然消失的威脅是一個災難性的風險。為了緩解這種情況，許多人正在關注像 Llama 3