第十部分 · 生态与经济 · 第 79 章

数据权利与合规经济

作者Changkun Ou

阅读时长约 6 分钟

数据只有在能够被使用时才是经济输入。一份文档可能技术上可访问，容易抓取，也很适合训练，但仍然因为许可证缺失、来源不清、条款禁止 AI 训练，或客户无法接受合规风险而不可用。因此，数据经济学有两类账：一类是词元数量账，另一类是权利账，记录许可、来源、文档和市场准入。

图 79.1. 从原始网页数据到生产可用数据的漏斗示意。随着策略、许可、同意、文档与生产要求被施加，可用语料会收缩。理想化漏斗，非实测。

语料是一条供应链

旧的训练数据观念像是一堆东西：更多网页、更多书、更多代码、更多词元。生产视角则要把数据当作供应链。每个数据集都有来源、采集方法、许可证或服务条款、转换历史、过滤策略、署名记录，以及一组可以或不能支持的下游用途。

Data Provenance Initiative 把这个运营层面的问题摆到了台面上。它审计超过 1800 个文本数据集，发现广泛的许可证缺失与错误，并看到商业开放与商业闭合数据类别之间的分化 (Longpre et al. 2023)。因此，「我们在公开数据上训练」不是经济答案。有效答案必须说明：哪些公开数据，依据哪些权利，带着哪些来源记录，适用于哪个法域，又有哪些证据能给客户看。

图 79.2. 并列于词元账的数据权利账。训练语料需要规模，生产语料还需要来源、许可、文档与合同姿态。

同意变成了动态变量

一旦模型训练变得有经济意义，权利就不再稳定。Longpre 等人对 14000 个网页域名做纵向审计，发现 2023 到 2024 年间 AI 专用限制迅速增长，robots.txt 与服务条款之间存在不一致，C4（一个被广泛使用的网络爬取训练语料）中大量重要来源因 robots 或 ToS 信号而变为受限 (Longpre et al. 2024)。数据 commons 因而不是固定存量，而是一处争夺性的供给源，其访问规则正因 AI 本身而改变。

这会产生价格信号。容易获取的网页数据一旦变得不那么可用，已许可、第一方、客户批准或合成数据的边际价值就会上升。无法说明自身数据的提供商，会被一些客户打折，甚至被直接排除在采购之外。而能以清晰权利许可高质量数据的领域持有人，便握有一项资产；在默认可抓取的年代，这项资产并不显眼。这个市场已不是预测：已披露的交易中，Reddit 把语料授权给 Google，约每年 6000 万美元；News Corp 把其新闻档案授权给 OpenAI，据报道五年约 2.5 亿美元 (CBS News 2024; Variety 2024)。

法院也开始为这本账的一侧定价。2025 年 6 月，Bartz v. Anthropic 一案裁定：在合法获得的书籍上训练属于转化性的合理使用，而下载并留存影子图书馆的盗版副本则不属于 (Alsup 2025)；同一周，Kadrey v. Meta 在合理使用问题上给出了相近的立场 (Chhabria 2025)。Bartz 案随后以 15 亿美元和解，约 50 万本书、每本约 3000 美元，是美国历史上金额最大的版权和解 (The Authors Guild 2025)。把它当作价格信号来读：责任落在获取来源上，而不在训练本身；和解只为过去的行为买单，不构成任何面向未来训练的许可。真正起约束作用的输入，仍然是那本权利账，而不是法庭。

开放权重不能解决数据权利

OSI Open Source AI Definition 有用之处在于，它把产物和修改产物所需的材料分开。它要求使用、研究、修改与分享的自由，并说明机器学习系统的可修改首选形式包括数据信息、代码与参数 (Open Source Initiative 2024)。这个区分在经济上很重要。一个可下载的权重文件可以降低服务锁定，却仍然让买方无法复现训练、审计数据权利，或满足客户的文档要求。

所以，「开放」有时在经济上并不完整。开放权重足以支持本地推断、微调和实验。它未必足以满足一个受监管买方的需求，因为买方可能需要知道训练数据是否包括某些来源，版权材料是否被过滤，退出信号是否被尊重，提供商是否公开了 AI Act 所要求的训练内容摘要。

合规即市场准入

监管把文档变成市场准入。EU AI Act 对通用 AI（GPAI）提供商的义务，包括技术文档、版权政策，以及按欧盟委员会模板公开发布的训练内容摘要，自 2025 年 8 月 2 日起生效，委员会的执法权则从 2026 年 8 月起跟进 (European Commission 2025)。欧盟委员会在 2025 年 7 月 10 日发布的 General-Purpose AI Code of Practice，是证明满足这些义务的自愿路径 (European Commission 2025)：其透明与版权章节广泛适用于 GPAI 提供商，安全与安保章节则面向最先进、具有系统性风险的模型。2026 年的 Digital Omnibus 推迟了 AI Act 高风险条款的合规期限，但 GPAI 义务未被推迟，仍然有效 (Council of the European Union 2026)。

从工程视角看，这像是文书工作。从经济视角看，它是市场基础设施。能产出模型文档、版权政策证据、数据摘要、评测记录和事故流程的提供商，才能卖给要求这些材料的买方。不能产出这些材料的提供商，可能仍然有能力，但它能触达的市场并不一样。

争议所在

尚未解决的问题是如何平衡创新、创作者同意、研究访问、竞争与安全。严格同意规则可以减少未授权使用，并创造许可市场，但也可能让已有数据交易的大公司更占优，并使独立研究更困难。宽松规则保留更大的 commons，却把成本推给创作者和必须承担法律与声誉风险的下游买方。经济问题不只是「谁可以训练」，还包括「谁为不确定性付钱」。Bartz v. Anthropic 为这份不确定性开出了第一个价码，但没有把它消除。

下层约束

数据权利会反过来影响上面的每一层。它们决定一个模型能否在第 73 章的强意义上被称为开放，决定提供商能否在第 77 章中通过企业采购，也决定第 78 章中的采用试点能否从实验走向生产。权利不是模型造好之后的元数据，而是模型可部署能力的一部分。

为权利账而设计

严肃的数据程序应当把权利账和词元账放在一起：

来源身份与采集日期；
许可证、条款、同意信号和法域；
转换历史、过滤、去重和 PII 处理；
预训练、微调、RAG（检索增强生成，即在查询时取回文档再喂给模型的模式，见第 44 章）、评测和展示的允许用途；
能展示给客户、审计者和监管者的文档。

技术栈已经有地方承载这本账：第 6 章处理质量与过滤，第 59 章处理来源、隐私与删除，第 61 章则承接法律义务。本章补上的经济命题是：这本账之所以有价值，是因为它把数据从有风险的输入变成可销售的输入。