公共天才的私人掠夺：AI 训练与语料库版税的必要性

集体人类知识的私有化

前沿 AI 实验室通过将“人类的集体经验、知识和学习成果”压缩为数值权重，构建了历史上最有价值的企业级软件。这一过程代表了对公共天才的私人掠夺：将大规模、由公众生成的文本语料库——书籍、论坛、代码和论文——转化为私有的基础设施级价值。

虽然 AI 实验室辩称互联网数据是可在“合理使用”原则下获取的公共产品，但这一观点忽略了对互联网“贡献层”的系统性风险。生成式 AI 能够以零边际成本向网络灌注内容，这威胁到人类认真参与并丰富数字公地的动力，可能破坏为这些模型提供训练数据的系统本身。

历史先例：AT&T 专利法令

当前的 AI 数据冲突反映了 1956 年与 AT&T 的反垄断和解协议。当时，AT&T 以受监管垄断企业的身份运营，并拥有 Bell Labs，这是一个生产了晶体管和信息论等基础技术的研发强权。

AT&T 被施加了两项关键限制：

1. 专利自由化： AT&T 放弃了 7,820 项未到期的专利独占权，使它们对任何美国公司都免版税可用。
2. 业务限制： 禁止 Bell 从电信业务以外的任何领域开展业务。

这种“创新级联”促使了商业半导体行业的繁荣，直接促成了硅谷以及 Intel 等公司的诞生。教训是：当私人实体对由公众补贴的基础性智力产出（在 AT&T 的案例中是通过缴费用户）持有垄断地位时，政府干预可以通过强制将这些知识产权推向公共领域来释放巨大的社会价值。

关于“合理使用”的法律斗争

AI 实验室主要利用“合理使用”原则来为自己的训练行为辩护，辩称生成的模型是“转化性的”且不会损害原作品的市场。然而，最近的法律进展表明现实更为复杂：

• Bartz v. Anthropic (2025)： 法官裁定，基于合法获取的书籍进行训练是转化性的，但基于盗版书籍进行训练是“本质上、不可救药地构成侵权”，并导致了 15 亿美元的和解。
• Kadrey v. Meta： 虽然法院认定训练具有转化性，但指出 LLM 向市场灌注与训练数据类似的 AI 生成作品的能力，最终可能导致市场损害的认定。
• US Copyright Office (2025)： 一份非约束性报告得出结论，数据的公开可用性并不必然赋予模型训练的“合理使用”权利。

归属问题与“语料库版税”

AI 实验室经常辩称，由于没有任何单一训练数据对模型的功能至关重要，因此不需要向任何个人贡献者支付报酬。这是一种修辞上的误导；虽然在前端规模下，通过使用 Shapley value 等指标进行个人归属认定在数学和计算上是不可行的，但集体价值转移是真实存在的。

为了解决这个问题，作者提出了语料库版税 (Corpus Royalty)：一种制度，要求前沿实验室支付固定比例的总收入进入公共基金，随后将其平均分配给符合条件的公民。

为什么是版税而非个人支付？

• 计算上的不可能： 在数十亿条数据中计算某篇博客文章的精确边际贡献目前是不可能的。
• 集体努力： 互联网是一个共同体，其价值产生于不同信息片段之间的关系，而不仅仅是孤立的作品。
• 补偿而非福利： 这被界定为对“不当得利”的补偿，即私人实体从共享资源中获利，却未向该资源的提供者支付补偿。

保护数字公地

应用 Elinor Ostrom 的可持续公地原则——例如明确的边界、用户定义的规则和监督——可以发现，互联网目前是一个缺乏治理的公共资源池。如果没有一种机制来补充人类创造力的上游来源，AI 生成的“网络工业废料”可能会污染数字三角洲，使互联网在十年内变得面目全非，且无法进行人类交互。