版權大戰如何重塑 AI 產品的未來？

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。

許可的高昂代價

「乾淨」模型的真正代價是什麼？如果只有最大的公司才買得起人類思想史的授權，我們最終會不會陷入智慧壟斷？我們必須反思，保護個人創作者是否會無意中摧毀保持科技產業健康的競爭環境。此外還有隱私問題：如果公司從公開網頁抓取轉向私人數據集，他們會不會開始使用我們的個人郵件和私人文件來訓練模型？「合法」AI 的隱藏成本可能是我們數位隱私的進一步流失，因為公司會尋找一切可能合法擁有的數據來源。這種轉變可能創造一個個人資訊成為最有價值訓練數據的世界。

我們也應思考，誰真正從這些授權協議中受益？錢是流向了個別作家和藝術家，還是被大型出版集團吞噬了？如果版權的目的是鼓勵創作，我們必須問這些新協議是否真的達到了目的，還是僅僅為企業實體創造了新的收入來源，而真正的創作者依然薪資過低？

我們面臨一種風險：建立一個只有「最有利可圖」的數據才被用於訓練的系統，導致人工智慧變得狹隘且充滿偏見。我們必須質疑，對法律合規的追求是否會導致 AI 創造力的枯竭。美國版權局持續研究這些議題，但技術的發展速度往往超前於政策制定。

技術變通與數據缺口

對於資深用戶和開發者來說，轉向授權數據正在改變技術堆疊。最顯著的趨勢是轉向檢索增強生成（Retrieval-Augmented Generation，簡稱 RAG）。RAG 不試圖在訓練期間將所有知識塞入模型的權重中，而是允許系統即時查詢私人、已授權的數據庫。這繞過了許多版權問題，因為模型並沒有以永久方式「學習」數據，只是讀取它來回答特定問題。這使得本地儲存和高效索引變得比以往任何時候都重要。開發者花更多時間構建強大的檢索系統，而不是訓練過程本身。這種架構轉變是對產業所面臨法律壓力的直接回應。

然而，RAG 也有其侷限性，它依賴於外部數據庫的品質和檢索速度。API 限制也是一個主要因素。隨著數據提供商意識到其內容的價值，他們正在收緊 API，限制開發者的請求次數以及對數據的使用權限。這使得構建需要持續存取最新資訊的高效能應用程式變得更加困難。開發者也開始關注在狹窄、高品質數據集上訓練的較小、專門化模型。這些「小型語言模型」（SLM）更容易審計，法律風險也較低。它們可以在本地託管，有助於隱私保護，並減少對昂貴第三方 API 的依賴。極客社群目前專注於如何在縮小訓練集規模的同時保持模型效能。這需要更精細的數據清理，以及對哪些 token 真正有助於模型智慧的更好理解。2027 的技術挑戰不再只是規模，而是效率與法律合規。

合規指令

底線是，AI 與版權之間的關係已經進入了一個更成熟的新階段。那種不受限制抓取的「西部荒野」時代已經結束。企業現在必須將法律合規性與技術效能放在同等重要的位置。這將導致 AI 產品成本增加，但它們也會變得更穩定、更適合企業使用。創新與所有權之間的緊張關係將在可預見的未來定義整個產業。那些能夠在尊重創作者權利的同時，持續突破可能邊界的企業，將引領下一個十年的科技發展。僅僅構建強大的工具已不再足夠，你還必須證明你有權利構建它。AI 的未來不僅寫在程式碼中，更寫在管理數據的合約裡。

編者按： 我們創建這個網站，是為了那些不是電腦高手，但仍希望了解人工智慧、更自信地使用它，並追隨已經到來的未來的人們，提供一個多語言的人工智慧新聞和指南中心。

發現錯誤或需要修正的地方？請告訴我們。