浅析AI大模型训练数据来源与版权挑战
AI 大模型训练数据来源广泛。在算力可获得性提升以及算法同质化趋势下，训练数据成为影响大模型性能的重要因素。区别于传统 AI 模型，大语言模型通常使用公共文本数据集的混合体作为预训练语料库，而多模态大模型则需要大规模的图片和音视频等多模态数据。这些训练数据的来源广泛，包含公开渠道、企业自研、直接购买与合作交换等。
内容持有者对 AI厂商态度各异。部分内容持有者针对 AI 平台提出了各种维权诉求，已有数十起版权诉讼正在进行中。同时，另一部分内容持有者则选择了授权合作道路。版权纠纷实质上是商业利益之争，内容持有者具体选择诉讼还是合作取决于其商业模式、内容独特性和行业结构等因素。作家和艺术家们普遍倾向于抵制 AI 公司并控诉其侵权行为，而新闻媒体在版权斗争中则难以形成统一阵线。
确保训练数据的合法来源对于 AIGC 发展非常关键。我们在去年的《从 Adobe 看 AIGC 如何重塑创意工具行业》报告中提到，训练数据的版权问题是 AIGC 商业化落地的重要阻碍。因此，只有解决了这一问题，才能在确保合法的前提下，推动生成式 AI 的商业落地。从 2023 年下半年开始，AI 数据版权诉讼开始进入白热化阶段，而内容合作则于 2024 年上半年加速，表明过去一年中版权问题已经成为 AI 领域的焦点，并且相关法律问题正在被逐步揭示与尝试解决。
2024 年有望成为 AI 训练数据版权之争的关键年。关于 AI 训练数据版权诉讼，国内外尚未达成判例，重点案例的判决将对未来行业发展产生重要意义，需持续关注。同时，越来越多的公司正在明确其立场，显示出行业整体对于训练数据版权问题重视程度的提升。2024 年有望成为 AI 数据版权之争的关键年，将会有更多诉讼、谈判和合作展开，但未来授权合作或快于法律变革与监管介入。
当内容合作商对于训练数据版权的立场明确后，大模型研发的不确定性将被消除，应用发展也将进一步加速。训练数据作为成本项，与下游应用的商业化推广密切相关，二者相辅相成。若数据合作显著加速，这将标志着 AIGC 应用即将迎来商业化落地的飞跃。
