政府到底想拿 AI 做什麼？揭秘科技背後的「超便利」藍圖！

免費數據時代的終結那種可以隨意抓取數據、不用負責任的時代已經結束了。多年來，開發者們總是理所當然地認為開放的網際網路就是公共資源，並以此為基礎構建大型語言模型（LLM）。但現在，這份「理所當然」正撞上法律的現實。新聞機構和藝術家們發起的重磅訴訟，正迫使這些產品的構建與銷售方式發生根本性轉變。企業再也無法忽視訓練數據集的來源。結果就是，我們正走向一個「授權模式」的時代，每一個 token 都有其價格。這場轉變將決定哪些公司能存活，哪些會被法律費用壓垮。這不僅僅是關於道德或創作者權利，更是關於商業的可持續性。如果法院裁定利用版權數據進行訓練不屬於「合理使用」（fair use），那麼構建競爭性模型的成本將會飆升。這對那些財力雄厚且已有授權協議的科技巨頭有利，而小型開發者可能會被完全擠出市場。開發速度正撞上一堵法律高牆，這將在未來多年內重塑整個產業。 從「抓取」到「授權」核心問題在於生成式模型是如何學習的。這些系統吞噬了數十億的文字和圖像來識別模式。在開發初期，研究人員使用像 Common Crawl 這樣的大型數據集時，並未太在意數據背後的個人權利。他們辯稱這個過程是「轉換性」（transformative）的，意味著它創造了全新的東西，並沒有取代原始作品。這正是美國「合理使用」辯護的基石。然而，當前 AI 生產的規模改變了這個等式。當一個模型能生成特定記者的報導風格，或是模仿在世藝術家的畫作時，所謂的「轉換性」主張就變得難以辯護。這導致內容所有者發起了一波訴訟潮，因為他們眼睜睜看著自己的心血被用來訓練取代自己的工具。最近的趨勢顯示，產業正遠離「先斬後奏」的策略。大型科技公司現在正與出版商簽署數百萬美元的協議，以確保獲得高品質、合法的數據。這創造了一個雙軌系統：一邊是基於授權或公共領域數據訓練的「乾淨」模型，另一邊則是基於抓取數據、帶有巨大法律風險的模型。商業世界開始偏好前者。企業不想整合一個可能隨時被法院禁令關閉，或導致鉅額版權侵權帳單的工具。這使得法律溯源（legal provenance）成為產品的關鍵功能。了解數據來源，現在與模型的功能一樣重要。這種趨勢在 OpenAI 和 Apple 等公司的近期行動中顯而易見，他們積極尋求與大型媒體集團合作，以確保訓練管道不會被法院禁令中斷。 破碎的全球法律地圖這場法律戰並非侷限於一國，而是一場全球性的角力，各地區採取的方法大相逕庭。在歐盟，《AI 法案》（AI Act）設定了嚴格的透明度標準，開發者必須公開訓練所使用的版權材料。對於那些一直將訓練集視為秘密的公司來說，這是一個巨大的障礙。根據 Reuters 的報導，這些法規旨在平衡企業權力與個人權利，但也增加了沉重的合規負擔。在日本，政府採取了對開發者更友善的立場，暗示在許多情況下，利用數據進行訓練可能不違反版權法。這創造了「監管套利」，公司可能會將業務轉移到規則更寬鬆的國家，這可能導致全球 AI 能力出現地理上的割裂。美國依然是主戰場，因為大多數大型 AI 公司都位於那裡。涉及 The New York Times 和多位作者的案件結果，將為全球定下基調。如果美國法院判決 AI 公司敗訴，可能會在全球引發一波類似的訴訟。這種不確定性對某些人來說是投資的阻礙，但對另一些人來說，卻是鞏固權力的機會。擁有現有內容庫的大型企業（如電影製片廠和圖庫代理商）突然處於極具優勢的地位。他們不再只是內容創作者，而是下一代軟體所需原材料的守門人。這種轉變正在改變整個科技產業的權力動態，將影響力從純軟體工程師手中，轉移到那些擁有「人類表達權利」的人手中。這種演變是現代 AI 治理與倫理 討論的核心。 新的商業成本這些法律糾紛的實際影響已經在企業董事會中顯現。想像一下 2027 一家中型科技公司的產品經理的日常。他們的任務是推出一個新的自動化行銷工具。幾年前，他們只需要串接一個熱門的 API 就能直接發布。但今天，他們必須花數小時與法律團隊審查該 API 的服務條款。他們需要確認模型是否在「安全」數據上進行訓練，以及供應商是否提供賠償保證（indemnification）——即如果客戶因版權侵權被起訴，供應商承諾承擔法律費用。這是軟體銷售方式的巨大轉變，重心已從純粹的效能轉向法律安全。如果工具無法保證數據來源，通常會被風險厭惡的企業客戶拒絕。想像一位平面設計師使用 AI 工具為全球品牌製作廣告。他們生成了一張圖片，但看起來卻很像某位知名攝影師的作品。如果品牌使用了該圖片，可能會面臨訴訟。為了避免這種情況，公司現在實施「人在迴路」（human-in-the-loop）工作流程，將每個 AI 輸出與版權數據庫進行比對。這增加了一層許多人沒預料到的摩擦力，減緩了生產速度，而速度本來是 AI 的主要賣點。法律不確定性的商業後果很明確：更高的保險費、更慢的產品週期，以及對訴訟的持續恐懼。公司現在被迫將預算的大部分用於法律辯護和授權費用，而不是研發。 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。 人們常高估這些法律問題的解決速度，以為單一訴訟就能定案。事實上，這可能是一個長達十年的上訴與立法調整過程。同時，人們也低估了從已訓練模型中移除版權數據的技術難度。你無法簡單地從神經網路中「刪除」某本書或某篇文章。通常，遵守刪除令的唯一方法就是刪除整個模型並從頭開始。這對任何企業來說都是災難性的風險，意味著單一法律敗訴就可能抹去多年的努力和數百萬美元的投資。這一現實迫使開發者從一開始就對訓練集內容更加謹慎。

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。