2025年初,几家头部AI公司接连收到律师函，原告包括出版社、作家协会和学术数据库运营商，指控高度一致：未经授权将大量图书、论文用于大模型训练，构成系统性侵权，这不是第一波，也不会是最后一波，从纽约时报诉OpenAI，到国内多家出版社联合维权，“禁止随意将图书资料用于AI训练”已经从行业呼声变成法律行动，大模型的版权争议，正在从背景板走向舞台中央。
一场不对称的战争
表面上看,这是创作者与科技公司之间的利益博弈；实质上，这是一场关于知识生产秩序的范式冲突。
传统版权法建立在“复制—发行”的物理逻辑之上，一本书被复印一千份，损失可以计算，侵权事实清晰可查，但大模型的训练过程完全不同：它并不“复制”原作，而是通过海量阅读提取统计规律，将文字转化为参数权重，训练完成后，模型也不“发行”原作，而是在生成时可能输出与原作高度相似的片段，也可能永远不输出原文，却掌握了原作中的事实、观点和表达风格。
这种“吸收—转化—再生成”的机制，让传统版权法陷入解释困境：模型的参数算不算“复制件”？训练行为算不算“使用”？生成内容与原作的相似度达到多少才构成侵权？每一个问题都没有现成答案。
更麻烦的是规模,一个基础大模型的训练语料动辄数十万亿token，其中包含的图书、论文、新闻、代码数以亿计，逐一获得授权在技术上不现实，在经济上不可行，在时间上不可能，如果严格执行“先授权后使用”，大模型产业将在起点处停滞。
于是科技公司选择“先上车，后补票”——甚至不补票，它们的逻辑是：模型学到的是语言规律和知识结构，而非具体表达，属于“合理使用”范畴；训练行为是“转换性使用”，不替代原作市场，反可能为原作导流，这套说辞在法律上远未站稳脚跟，在道义上更难以服众。
数据的价值悖论
这场争议中最刺眼的悖论在于：AI公司一边坚称训练数据只是“事实和思想”而非“表达”，一边又极度依赖高质量图书和论文来提升模型能力，如果图书真的只是无差别的“语料”，为什么各家都在竞相争夺优质内容源？为什么未经授权抓取的数据集能让模型性能显著提升？
答案指向一个令人不安的现实：图书和论文承载的不仅是语言模式，更是人类知识生产中最高密度的思维成果，一本书是一个作者数年乃至毕生的智力凝结，一篇论文是数位研究者经过严格评审的原创发现，大模型之所以表现出惊人的知识广度和推理深度，正是因为这些高质量内容被喂进了它的训练管道。
换句话说,AI公司一边将图书降格为“训练数据”，一边又从中提取了远超“语言规律”的价值，这种价值提取没有回报给创作者任何东西——没有授权费，没有署名，没有任何形式的补偿，创作者看到的是：自己耗尽心力写就的作品，被免费用于训练一个可能在未来替代自己的工具，这种被剥夺感，不是版权条款的细节问题，而是整个知识生产链条在新技术冲击下的失衡。
更微妙的是,AI生成内容正在反向侵蚀原创内容市场，当用户可以通过模型获得定制化的文章、报告甚至小说，传统图书和论文的需求就可能被部分替代，训练数据不仅没有给原创者带来收益，反而创造了与原创者竞争的替代品，这就是创作者愤怒的深层原因：你拿我的作品训练你的模型，然后你的模型来抢我的饭碗。
“合理使用”的边界在哪
科技公司最常用的抗辩是“合理使用”，美国版权法第107条和中国著作权法的合理使用条款，都为特定情形下的未经授权使用保留了空间，问题在于，大模型训练是否符合合理使用的立法精神？
合理使用的核心考量因素包括：使用的目的和性质、原作的性质、使用部分的比例、对原作潜在市场的影响，大模型训练在这些维度上都面临着严重质疑，就使用目的而言，训练是商业性的，模型通过训练直接产生商业价值；就使用比例而言，模型往往整本整本地吸收图书内容；就市场影响而言，AI生成内容确实可能替代对原作的需求。
科技公司反驳说,智能革命的公共利益远超个体权利保护，过度限制训练数据将扼杀技术创新，这个论点并非全无道理，但它回避了一个关键问题：为什么技术进步的代价要由创作者单方面承担？如果大模型真的创造了巨大价值，为什么不能从这些价值中分出一部分，回馈给提供数据养料的创作者？
欧盟《人工智能法案》给出了一个方向：通用人工智能模型的提供者必须公开训练数据的详细摘要，遵守版权指令，并建立“选择退出”机制，这意味着创作者有权拒绝自己的作品被用于训练，这是一个折中方案：既不禁止训练行为，也不放任数据掠夺，而是在透明度和选择权的基础上建立新的平衡。
但这个方案也有软肋。“选择退出”对个人创作者而言近似于虚设——他们如何知道自己的作品被用于训练？如何行使退出权？如何证明退出后模型确实删除了相应数据？在技术上，让模型“遗忘”特定训练数据是一个尚未解决的难题。
制度重建的三条路径
要走出当前的僵局,需要超越“侵权—抗辩”的二元框架，在制度层面重建数据使用的规则体系。
集体许可与版税池。 借鉴音乐产业的集体管理组织模式，建立文字作品用于AI训练的集体授权机制，科技公司向版税池支付训练费用，版税池按照作品被纳入训练集的情况向著作权人分配，这条路的问题在于技术可行性和分配公平性：如何精确追踪每部作品对模型能力的贡献？如何防止大公司利用规模优势压低版税标准？这些都是需要制度创新的领域。
数据信托与创作者集体谈判。 创设专门的数据信托机构，受托管理创作者的作品数字权利，代表创作者与AI公司进行集体谈判，信托机构可以开发技术工具监测训练数据使用情况，建立透明度标准，设定授权费率，这条路的核心是将散沙状态的创作者组织起来，改变力量对比，让谈判真正成为谈判。
公共数据空间与优先授权。 政府推动建设公共领域的训练数据空间，对公共资助的科研成果、公版图书、政府文献等进行统一整理和开放授权，同时对商业训练数据建立“公共许可优先”的引导机制，鼓励AI公司在获取商业数据时优先选择已获授权的数据源，这条路的目标是以公共数据基础设施对冲商业数据的稀缺和争议，降低整个行业的合规成本。
三条路径并非互斥,而是可以并行推进，它们背后的共同逻辑是：承认训练数据的价值贡献，建立贡献者获得回报的机制，让技术进步的收益在数据提供者和技术开发者之间更公平地分配。
智能时代的“公地悲剧”与“反公地悲剧”
这场争议的本质,是知识公地在智能时代的命运问题，如果对训练数据不加限制，就会出现“公地悲剧”——高质量的原创内容被过度“放牧”，创作者失去继续生产的动力，知识生态走向枯竭；如果限制过严，就会出现“反公地悲剧”——每个数据片段都需要多方授权，交易成本高到令任何使用都不可行，知识协作被制度碎片化。
在两种悲剧之间,需要找到一条窄路，这条路不是简单的“保护版权”或“鼓励创新”，而是在承认数据价值、保障创作者权益、维持技术可行性的三角中找到动态均衡。
技术可以在其中扮演关键角色,差分隐私、联邦学习、数据溯源等技术，可以让模型在不直接接触原始数据的情况下完成训练，或者让数据使用过程可追踪、可审计、可计量，制度设计者需要更积极地与技术人员合作，将技术可能性纳入制度想象。
更深层的问题是：我们需要什么样的知识生产秩序？如果放任“数据不问出处”的丛林逻辑，短期内可能加速模型能力提升，长期必然伤害知识生产的土壤，没有人愿意在作品被免费掠夺的情况下持续投入创作，如果走向全面严格授权，大模型的发展速度将大幅放缓，甚至在某些领域停滞，这未必是坏事——技术进步本就不该以牺牲一个群体为代价。
答案或许藏在问题本身里：当AI学会了“读”，我们才真正意识到“写”的价值。 图书、论文、新闻、代码——这些被统称为“数据”的东西，承载着人类最珍贵的能力：将混乱的经验组织成有序的知识，将个体的洞见转化为公共的财富，大模型训练让我们重新面对一个古老的问题：知识的公共性与创造的私有性如何共存？
这个问题没有一劳永逸的答案,但有一点是确定的：任何将数据视为免费午餐的技术叙事，都低估了知识的尊严，也高估了技术红利的说服力，当AI的胃口越来越大，版权的铁壁不再只是一堵墙，而是一面镜子——它照出的，是这个时代对待知识、对待创造、对待人的态度。
（完）
版权声明
本文系作者授权念乡人发表，未经许可，不得转载。
