人工智能訓練數(shù)據(jù)合規(guī)性探析

摘要：在當今數(shù)字化時代，人工智能技術(shù)的快速發(fā)展為社會帶來了巨大的變革和機遇。然而，隨著人工智能應用的廣泛普及，人工智能訓練數(shù)據(jù)的合規(guī)性問題日益受到關(guān)注。人工智能模型的訓練離不開大量的數(shù)據(jù)，而這些數(shù)據(jù)的獲取、處理和使用往往涉及諸多方面的考量。在這樣的背景下，探討人工智能訓練數(shù)據(jù)的合規(guī)性問題，不僅是確保人工智能技術(shù)可持續(xù)發(fā)展的關(guān)鍵，也是維護個人權(quán)利和社會公正的重要舉措。文章將對人工智能訓練數(shù)據(jù)的合規(guī)性進行探討，分析現(xiàn)有問題及挑戰(zhàn)，提出相關(guān)解決方案和建議，旨在為人工智能技術(shù)的健康發(fā)展和社會的可持續(xù)進步提供參考和借鑒。

關(guān)鍵詞：人工智能；訓練數(shù)據(jù)；合規(guī)性

中圖分類號：F2文獻標識碼：Adoi：10.19311/j.cnki.16723198.2024.19.011

1AI技術(shù)底層邏輯

AI大模型是當前AI技術(shù)發(fā)展的重要領(lǐng)域之一，不同于以往僅能進行分類、預測或?qū)崿F(xiàn)特定功能的模型，生成式人工智能大模型（LargeGenerativeAIModels，LGAIMs）經(jīng)過訓練可生成新的文本、圖像或音頻等內(nèi)容，且具有強大的涌現(xiàn)特性和泛化能力。

其中文生文工具ChatGPT是基于Transformer的語言模型，Transformer架構(gòu)能夠應用于自然語言處理（NLP）。以GPT-3（GenerativePre-trainedTransformer3）為例，其擁有超過1750億個參數(shù)，僅需很少的輸入就能生成高度逼真和復雜的文本。因此，Transformer模型的出現(xiàn)徹底改變了AI生成，并引發(fā)了大規(guī)模訓練的可能性。

文生圖工具DELL-E則是基于CLIP的語言模型，CLIP是ContrastiveLanguage-ImagePre-Training的縮寫，是由OpenAI在2021年發(fā)布的一種預訓練模型。CLIP旨在將文本和圖像結(jié)合起來進行預訓練，從而讓模型具備理解圖像和文本之間的關(guān)系的能力。它的訓練數(shù)據(jù)包括來自互聯(lián)網(wǎng)的大量圖像和文本，通過對圖像和文本之間的關(guān)系進行學習，使得模型能夠理解自然語言描述并生成相應的圖像。

文生視頻工具Sora是一個擴散模型，同時采用了Tranformer架構(gòu)。這種架構(gòu)能夠?qū)㈦S機噪聲逐漸轉(zhuǎn)化為有意義的圖像或視頻內(nèi)容。Sora模型通過訓練，學會了理解和處理文本提示，將用戶的描述轉(zhuǎn)化為視頻內(nèi)容。具體來說，Sora模型首先接受用戶的文本描述作為輸入，然后利用擴散型變換器生成一系列潛在表示（latentrepresentations），這些潛在表示逐漸接近于真實的視頻數(shù)據(jù)。在這個過程中，Sora模型通過不斷地迭代和優(yōu)化，逐漸生成出與文本描述相符合的視頻內(nèi)容。

總之，無論是Sora還是ChatGPT、DELL-E3等生成式AI都是基于大模型技術(shù)研發(fā)改進而來，它們本身只是模型而沒有數(shù)據(jù)，因此生成式AI天然地要求有大量文本、圖像和視頻數(shù)據(jù)的“投喂”訓練。在經(jīng)過大量數(shù)據(jù)訓練之后，用戶只需輸入少量文本，AI就可以快速生成符合要求的文本、圖像和視頻。

2訓練數(shù)據(jù)侵權(quán)挑戰(zhàn)

由前文所述，AI訓練所需的大量數(shù)據(jù)（包括文本、圖片和視頻）是基于大模型技術(shù)的天然需求，其具有一定的正當性。但在AI訓練過程中，也出現(xiàn)了對他人著作權(quán)（包括文字、圖片和視頻）的侵權(quán)可能，由此也帶來了一定的挑戰(zhàn)。

2.1訓練數(shù)據(jù)不可控

生成式人工智能數(shù)據(jù)收集和語料庫構(gòu)建高度依賴數(shù)據(jù)爬蟲，其訓練數(shù)據(jù)除了人為建立數(shù)據(jù)庫對人工智能進行“投喂”外，人工智能還可以利用數(shù)據(jù)爬蟲自動在網(wǎng)絡上爬取數(shù)據(jù)來供自己訓練。對于訓練數(shù)據(jù)我國《生成式人工智能服務管理暫行辦法》第七條規(guī)定，生成式人工智能預訓練，優(yōu)化訓練的數(shù)據(jù)需滿足一系列合法性要求，包括來源合法性，不得侵犯知識產(chǎn)權(quán)，個人信息權(quán)益等。但生成式人工智能爬取的數(shù)據(jù)在范圍、數(shù)量、質(zhì)量等都是不可控的，其可能突破網(wǎng)站經(jīng)營者設置的保護措施，爬取具有知識產(chǎn)權(quán)保護的作品，造成對著作權(quán)人的侵權(quán)。此外，生成式人工智能還可能爬取到他人的個人信息和商業(yè)秘密，造成很嚴重的侵權(quán)。這些自動爬取都是依賴于具有高度自主學習技術(shù)的“算法黑箱”，其行為很難控制。

2.2訓練數(shù)據(jù)缺乏透明度

基于AI訓練過程的復雜性、技術(shù)性和未知性，普通民眾和相關(guān)部門很難深入了解AI公司的訓練數(shù)據(jù)來源和使用情況，也無法知曉哪部作品以何種方式被使用。其次，現(xiàn)階段，人工智能采用“算法黑箱技術(shù)”，其使用的數(shù)據(jù)內(nèi)容并未公開，同時人工智能生成的內(nèi)容是向特定的使用者提供的，本身并不具有直接公開性，即使人工智能使用了受著作權(quán)保護的作品，著作權(quán)人也難以發(fā)現(xiàn)自己的原創(chuàng)內(nèi)容可能被大模型訓練使用，而且隨著人工智能的不斷更新，其生成物獨創(chuàng)性越來越高，僅憑生成內(nèi)容人們無法判斷出其內(nèi)容是由自己作品經(jīng)訓練后產(chǎn)出的。這給監(jiān)管部門在執(zhí)法過程中帶來了困難，也給著作權(quán)人維權(quán)帶來了挑戰(zhàn)。

2.3訓練數(shù)據(jù)侵權(quán)難以舉證

近期，美國媒體《紐約時報》將OpenAI和微軟公司訴至法院，指控二者未經(jīng)授權(quán)使用《紐約時報》數(shù)以萬計文章訓練ChatGPT等人工智能。這一爭端引發(fā)了公眾對于大模型訓練數(shù)據(jù)版權(quán)的關(guān)注，同時也反映出大模型數(shù)據(jù)侵權(quán)認定存在的難點。目前我國的法律在舉證責任方面一般遵循“誰主張誰舉證”的規(guī)則，著作權(quán)人需自己尋找證據(jù)證明人工智能訓練數(shù)據(jù)侵犯了著作權(quán)人的利益，而該舉證過程基于以下因素往往是困難的。

首先，人工智能訓練數(shù)據(jù)來源不明確。許多訓練數(shù)據(jù)可能來源于多個渠道，其中可能包括版權(quán)保護的內(nèi)容，但數(shù)據(jù)的具體來源往往并不清晰。在這種情況下，確定侵權(quán)責任人及其行為成為一項極具挑戰(zhàn)性的任務。其次，數(shù)據(jù)轉(zhuǎn)化難以追蹤。在人工智能訓練過程中，原始數(shù)據(jù)經(jīng)過多次轉(zhuǎn)化、處理和組合，最終形成用于模型訓練的數(shù)據(jù)集。這一過程中的數(shù)據(jù)流動路徑復雜，難以追蹤特定數(shù)據(jù)的來源和使用方式，進而增加了侵權(quán)舉證的難度。最后，證據(jù)不完整。著作權(quán)人即使發(fā)現(xiàn)了侵權(quán)行為，為獲取足夠的證據(jù)來支持起訴也是一項艱巨的任務。許多數(shù)據(jù)可能被多次重復使用，其中的原始數(shù)據(jù)可能已經(jīng)難以追蹤，使得著作權(quán)人的舉證過程變得異常困難。

3訓練數(shù)據(jù)侵權(quán)規(guī)制路徑

3.1訓練數(shù)據(jù)不應納入“合理使用”范圍

在新時代大數(shù)據(jù)背景下，共享經(jīng)濟是現(xiàn)在的主流，越來越多的人在主張“個人主義讓步于集體主義”。作為新崛起的生成式人工智能，它的快速發(fā)展可以極大地促進人類的進步，便利人們的生活。在這樣的背景下，為了推動人工智能進一步地發(fā)展，一些學者提出將為了訓練人工智能而使用現(xiàn)有作品進行訓練的行為納入“合理使用”范圍，犧牲著作權(quán)人的部分財產(chǎn)權(quán)（如，復制權(quán)），讓人工智能可以免費使用現(xiàn)有的作品進行訓練，使得訓練數(shù)據(jù)合規(guī)。這樣的主張確實可以促進人工智能的發(fā)展，但是筆者認為該觀點過分強調(diào)“讓步”，未充分考慮人類著作權(quán)人的利益。首先，人工智能確實可以促進人類社會進步，但是現(xiàn)階段，人工智能主要是AI公司用來獲利的工具。AI公司運用大量的數(shù)據(jù)進行訓練，使得人工智能不斷完善，生成物質(zhì)量越來越高，進而吸引更多的客戶使用人工智能來進行創(chuàng)作，讓自己獲取更多的利益，其本質(zhì)上并不是為了“公共利益”或“集體利益”，而是為了“商業(yè)利益”。在這樣的情況下，產(chǎn)生利益沖突的就是AI公司和著作權(quán)人，相對于AI公司而言，著作權(quán)人處于弱勢地位，此時還要讓著作權(quán)人作出讓步明顯不合理。其次，對于著作權(quán)人而言，他們的作品是個人花費了大量時間和精力完成的，作品本身就具有很高的價值。如果將其免費作為數(shù)據(jù)提供給人工智能進行訓練，則會打擊人類創(chuàng)作者的積極性，導致人類創(chuàng)作者的創(chuàng)作減少，反而違背了《著作權(quán)法》“鼓勵創(chuàng)作”的初衷。因此，把“為了訓練人工智能而使用現(xiàn)有作品進行訓練”的行為歸為合理使用并不合理。

3.2訓練數(shù)據(jù)不應完全遵循“用必授權(quán)”原則

對于人工智能自動抓取著作權(quán)保護的作品進行訓練造成侵權(quán)的問題，有學者認為人工智能對于訓練數(shù)據(jù)的使用應遵循“用必授權(quán)”的原則，即人工智能公司只要使用受著作權(quán)保護的作品，就需要得到著作權(quán)人許可并向其支付合理費用。但是筆者認為該觀點依舊不合理。目前人工智能主要使用“算法黑箱”，基于其數(shù)據(jù)不可知、不可控的特點，著作權(quán)人依舊無法知道自己的作品是否被使用，甚至連人工智能開發(fā)者和公司也難以知曉訓練數(shù)據(jù)庫中哪些資料是受著作權(quán)保護的；就算人工智能公司知道其未經(jīng)授權(quán)使用了他人作品，但出于利益和成本的考慮，其也有可能會選擇不告知著作權(quán)人。這不僅不能讓著作權(quán)人的權(quán)利得到實現(xiàn)，還會使得該制度“形同虛設”，不能解決實際問題。其次，人工智能數(shù)據(jù)庫中的數(shù)據(jù)非常之大，如圖表1所示，LLaMA已知的訓練數(shù)據(jù)已達4828.2GB，其還未包括人工智能自動爬取的數(shù)據(jù)。面對如此大的數(shù)據(jù)，如果要支付費用，并征得著作權(quán)人的同意，不僅耗費巨大，且效率低下。在該產(chǎn)品上市之后，其昂貴的成本費用也會分攤在每一位用戶身上，不利于AI為各行各業(yè)賦能加速。此外，如果找不到著作權(quán)人或著作權(quán)人不同意授權(quán)，人工智能訓練的數(shù)據(jù)將會大量減少，不利于人工智能自身的發(fā)展。

3.3納入法定許可范圍

對于人工智能數(shù)據(jù)問題，筆者認為不能過度保護任何一方，要找到合理的方式平衡人工智能與人類作者間的利益，使兩者都能更好地發(fā)展。在解決數(shù)據(jù)侵權(quán)問題時，筆者認為應從以下幾方面進行考慮。

首先，針對訓練數(shù)據(jù)不公開透明的問題，應要求人工智能公司公開相關(guān)的訓練數(shù)據(jù)來源。在《人工智能法案》就有相應的規(guī)定要求人工智能模型的提供者應發(fā)布關(guān)于用于訓練的內(nèi)容（數(shù)據(jù)）的足夠詳細的摘要。我國的《生成式人工智能管理暫行條例》雖然沒有直接規(guī)定人工智能提供者應對訓練數(shù)據(jù)進行公開，但在行業(yè)部門的監(jiān)管責任中提到有關(guān)主管部門依據(jù)職責對生成式人工智能服務開展監(jiān)督檢查，提供者應當依法予以配合，按要求對訓練數(shù)據(jù)來源、規(guī)模、類型、標注規(guī)則、算法機制機理等予以說明，并提供必要的技術(shù)、數(shù)據(jù)等支持和協(xié)助。基于人工智能“算法黑箱”技術(shù)，外界難以知曉具體訓練數(shù)據(jù)，但是對于人工智能開發(fā)者而言，大部分訓練數(shù)據(jù)是可以溯源的。在解決數(shù)據(jù)侵權(quán)的問題上，筆者認為可以借鑒歐盟《人工智能法案》的相關(guān)規(guī)定，在我國現(xiàn)有的法律基礎(chǔ)上要求人工智能公司對相關(guān)訓練數(shù)據(jù)公開。一方面可以加強對人工智能公司的監(jiān)管，使其提起對內(nèi)部合規(guī)性的重視，減少侵權(quán)行為的發(fā)生；另一方面通過透明訓練數(shù)據(jù)，可以極大地保護著作權(quán)人的合法利益，減輕著作權(quán)人維權(quán)的難度。這能很好地解決基于訓練數(shù)據(jù)缺乏透明度帶來的挑戰(zhàn)，降低了著作權(quán)人進行侵權(quán)舉證的困難，能夠較好地保護著作權(quán)人的合法權(quán)益。

其次，在數(shù)據(jù)公開的基礎(chǔ)上，可以將“為了訓練人工智能而使用受著作權(quán)保護的作品進行訓練的行為”納入法定許可范圍內(nèi)，AI公司僅需支付一定的報酬，無須征得著作權(quán)人的同意就可以將其作品用作訓練。據(jù)有關(guān)消息報道，OpenAI正在與數(shù)十家出版商洽談內(nèi)容授權(quán)協(xié)議。且在去年12月，OpenAI宣布與德國媒體巨頭阿克塞爾·施普林格達成了“里程碑式”合作。根據(jù)協(xié)議，OpenAI將付費使用施普林格旗下出版物的內(nèi)容，施普林格將提供其媒體品牌的內(nèi)容，作為OpenAI公司大型語言模型的訓練數(shù)據(jù)。OpenAI公司的做法正是基于雙方簽訂的公開協(xié)議，通過支付合理報酬從相關(guān)平臺獲取大量高水平數(shù)據(jù)，從而將其投入大模型訓練。這種做法正符合“法定許可”的法律情形。

綜上所述，“法定許可”一方面讓人工智能訓練使用的數(shù)據(jù)合規(guī)，有效解決了數(shù)據(jù)侵權(quán)的問題；另一方面更好地保護了著作權(quán)人所享有的權(quán)利，兩者的利_{cQyWHxx7FquA5u2OV6viUJ7g4NpAhsaKsBDzvINH00g=}益得到了更好的平衡。此外，在基于“法定許可”而使用訓練數(shù)據(jù)時，應當排除侵害人格權(quán)等原就屬于侵權(quán)的作品，在涉及個人信息的情況下，開發(fā)者必須保證在充分利用這些信息資源的同時，保護信息主體的合法權(quán)益。因此，應將訓練數(shù)據(jù)納入法定許可范圍，與將訓練數(shù)據(jù)納入“合理使用”的方法相比，“法定許可”實現(xiàn)了著作權(quán)人與人工智能公司二者利益最大化的平衡。

4結(jié)論

在公開數(shù)據(jù)來源的基礎(chǔ)上，將使用受著作權(quán)法保護的作品進行訓練的行為納入“法定許可”范圍內(nèi)，同時加強對個人信息的保護。這樣不僅降低了AI公司的成本，同時滿足人們的需求，促進AI產(chǎn)業(yè)的發(fā)展，實現(xiàn)兩者的平衡，加快為各行各業(yè)賦能增速，提升各行業(yè)社會生產(chǎn)力，為包括著作權(quán)人在內(nèi)的人民群眾創(chuàng)造更多的社會財富，進一步激發(fā)全社會創(chuàng)造活力，也符合共享集體主義的理念趨勢，推動創(chuàng)造出更多更好的作品，最終形成正向循環(huán)。

參考文獻

［1］張欣.生成式人工智能的算法治理挑戰(zhàn)與治理型監(jiān)管[J].現(xiàn)代法學，2023，45（3）：108123.

[2]鈄曉東.風險與控制：論生成式人工智能應用的個人信息保護[J].政法論叢，2023，（4）：5968.

[3]AlanD.Thompson“What’sinMyAl”2023.HugoTouvtonetai.“LLaMA：OpenandEfficientFoundationLanguageModeis”2023，華泰研究.

[4]吳葉凡.“投喂”大模型如何規(guī)范授權(quán)[N].科技日報，20240209（005）.

[5]張春春，孫瑞英.如何走出AIGC的“科林格里奇困境”：全流程動態(tài)數(shù)據(jù)合規(guī)治理[J/OL].圖書情報知識，112[20240311].http：//kns.cnki.net/kcms/detail/42.1085.G2.20240305.1852.006.html.

[6]李彤.生成式人工智能技術(shù)提供者侵權(quán)免責事由的識別重整[J].南京社會科學，2024，（02）：8697.

[7]劉金瑞.生成式人工智能大模型的新型風險與規(guī)制框架[J].行政法學研究，2024，（02）：1732.