企業觀測

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

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 2026 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。