彌合版權“二象性”：作為“非版權敏感信息”的媒體預測性數據

【摘要】生成式人工智能使內容生成范式由推導向預測躍遷，媒體產生的預測性數據帶來新的版權歸屬問題。媒體預測性數據既非傳統的版權數據，也不是非版權數據，這類數據處于版權數據和非版權數據的模糊地帶，面臨版權數據去版權化和非版權數據版權化的“二象性”實踐困境。一方面，預測生成的內容不具有可識別的版權使用痕跡，版權可見性被預測過程遮蔽，導致版權數據的去版權化。另一方面，非版權數據經預測后，能夠精準模仿媒體的風格和模式，導致非版權數據的版權化。彌合版權“二象性”實踐困境，需要將媒體預測性數據作為一種“非版權敏感信息”理解，并在法律和倫理層面給予特殊對待。

【關鍵詞】生成式人工智能；媒體預測性數據；非版權敏感信息；媒體版權

基于深度學習技術（DeepLearning）的生成式人工智能實現文本、圖像、音頻、視頻等全媒體數據的自主生成。生成式人工智能（ArtificialIntelligenceGeneratedContent，縮寫為AIGC）的核心在于對人類行為和思維的模仿和預測，根據用戶行為和內容數據預測分析（PredictiveAnalysis）并生成符合目標群體或個人興趣的內容和產品。不同于前人工智能時代機器學習（MachineLearning）和人類內容創作中的模仿或復用，AIGC中的深度學習技術使機器內容模仿能力從推導躍向預測。在AIGC訓練數據集中，用于訓練模型的媒體內容數據并非是從有限內容案例簡單仿制原創的推導性數據，而是在包含大量語言和內容案例中進行橫向和縱向比較，以精準生成指定作品的預測性數據。

媒體預測性數據面臨版權實踐的“二象性”困境：一方面，通過預測性數據生成的數字內容不具有可識別的版權使用痕跡，版權可見性被預測過程遮蔽，導致“版權數據的去版權化”；另一方面，不屬于傳統版權保護范疇的非版權數據（如風格數據和行為數據），在經由AIGC模型預測后，精準模仿媒體的風格和模式，導致“非版權數據的版權化”。關于媒體預測性數據的實踐困境被學界忽略，如何使媒體預測性數據的版權實踐既保護媒體行業競爭力又尊重生成式人工智能開發主體利益，已成為構建AIGC媒體版權框架的關鍵問題。媒體內容作為AIGC訓練數據集的低成本來源有助于推動技術迭代和普惠，但對媒體預測性數據的版權討論應盡快跟進。

一、預測性數據：技術演進與問題緣起

預測性數據是一種包含龐大分布式數據、用于集中識別數據關系和模式并用于預測的數據集合，是一種新的、基于實踐的AIGC數據版權視角。關注這一視角，需要理解人工智能發展過程中數據訓練技術的演進路徑。

預測性數據由訓練數據發展而來。記錄并利用訓練數據進行機器學習始于計算機系統誕生初期，早期經典訓練數據案例之一是1950年克勞德·香農（ClaudeShannon）制造的Theseus迷宮解決機器人[1]。該機器人通過電話繼電器開關記錄的電流信號來記憶迷路路徑，電流信號事實上是Theseus的初始訓練數據。然而，Theseus使用的電流數據只是單次路徑的記憶，當迷宮發生改動，原有記憶路徑會失效，須重新探索并記憶新路徑的電流信號。因此，Theseus機器人實質是路徑數據的“指令式重復”，而非對潛在路徑解決方案的預測。以Theseus迷宮解決機器人為代表的早期機器學習案例激發計算和信息學家對機器訓練技術的強烈熱情，促使計算和信息科學開始關注人工智能技術。

隨后，人工智能技術的迅速發展導致訓練數據的大規模部署和使用，符合現代定義的訓練數據集開始被用于機器訓練和算法處理。1958年，心理學家弗蘭克·羅森布拉特（FrankRosenblatt）設計出基于生物神經元的人工神經網絡架構技術——感知器（ThePerceptron）[2]。該技術展示出機器學習算法模仿人類智能的潛力，表明機器能夠從人類經驗中學習；并隨著時間推移提高其模仿和預測性能，成功將人工智能實在化并促使數據成為人工智能機器學習的發展基礎。此后，訓練數據不再只是Theseus中簡單的指令數據，規則和結構化數據引入機器數據系統，訓練數據的輸出結果被賦予模仿屬性。

然而，以感知器為代表的早期人工智能工具大多局限于研究層面[3]，各類技術瓶頸使這些工具難以投入現實生活應用，訓練數據采集和使用也僅限于實驗室。訓練數據遠離現實生活的情況在20世紀60—80年代期間，隨著基于人工智能技術的計算機程序——專家系統（ExpertSystem）的大規模應用而得以轉變。1965年，系統學家愛德華·費根鮑姆（EdwardFeigenbaum）和遺傳學家約書亞·萊德伯格（JoshuaLederberg）成功開發出人類歷史上第一套人工智能專家系統Dendral[4]，該系統能夠幫助化學家確定有機分子的結構，第一次展示出人工智能技術的實用價值。專家系統證明人工智能系統能夠在現實生活中大規模部署和應用，為企業和個人帶來重大利益和價值，將訓練數據來源擴展到現實生產生活。

現實生產生活數據成為專家系統知識來源后，數據歸屬權和隱私權的爭議隨之而來。由于這一時期自然語言處理技術（NLP）的滯后，機器不能理解和訓練非結構化和無規則邏輯數據，如自然語言文本和圖像等。因此，機器學習的訓練數據尚未觸及人類智力成果的版權和著作權，這一局面在20世紀90年代被打破。

伴隨機器學習算法和計算能力的指數式增長，20世紀90年代，更復雜的自然語言處理技術取得長足進步，使用算法處理模糊且需理解上下文的非結構化數據成為可能。研究人員開始使用統計方法直接從自然語言數據中學習模式和特征，而不是依賴于預先定義的規則。從這一時期起，訓練數據不再限于結構化和邏輯化的數據，算法可以處理現實世界人類活動產生的一手數據，如聊天記錄、網絡圖片、視頻音頻等。圍繞提高算法擬合和模仿能力，訓練數據在數量、質量和學習方法等方面被不斷改進，數據采集邊界和數量被幾何式擴展和放大，一切人類活動生成數據都可以作為算法數據源，極大地挑戰了隱私和版權保護。

20世紀90年代，人工智能技術的跨越式進步所產生的法律和道德問題并未被解決。當時訓練數據只能通過人工編碼的方式提高算法和系統性能[5]，訓練數據成本高昂，致使開發人員只能在相對少量的數據集上測試算法，限制數據的擴大和算法的改進。同時，數據存儲技術尚未成熟，處理器的算力受到限制，制約著大規模數據采集運算。這個時期，即便機器能夠直接學習并模仿人類創作成果，也難以對隱私和版權構成實質威脅。

進入21世紀，大數據和深度學習技術的出現徹底解除了機器采集和處理大規模數據的限制。大數據技術突破自然語言處理、計算機視覺乃至深度學習可用數據量的限制，提供對各種來源（包括但不限于社交媒體、傳感器、掃描儀等）大規模數據的訪問。算法能夠在大規模的數據集上進行訓練，學習更復雜的模式并做出更準確的預測。大數據技術使得訓練數據的規模和質量也大幅提高，分布式、多層次的數據集合包含更多、更復雜的經驗和知識模式，訓練數據成為具有強大預測能力的數據本體。

然而，數據的預測性并非僅源于大型數據集，加工數據并輸出精準化的預測結果需要更先進的算法訓練工具——深度學習。深度學習是一種使用人工神經網絡的機器學習，模仿人腦的結構和功能。深度學習技術包括深度神經網絡（DNN）、卷積神經網絡（CNN）、循環神經網絡（RNN）等先進神經網絡方法[6]。深度學習網絡由互連節點層組成，每個節點對輸入數據執行特定的數學函數，一層的輸出作為下一層的輸入，允許網絡從數據中提取越來越復雜的特征。深度學習中的訓練數據實現數據的層級表示，網絡自動識別不同抽象級別的模式和特征，直接的、具有標識性的具體數據被層級抽離為間接的、去標識化的抽象數據。

深度學習技術的成熟標志著生成式人工智能時代正式到來，基于預測性數據的AIGC可以輕易確定何種數據特征與指定結果相關，何種輸出結果更具預測精準性。訓練數據集的數量和復雜性幾何式增加，模型對內容數據處理、學習和預測的能力被放大，訓練數據與生成內容之間的經驗模式從推導演變為預測，人類實踐活動的數據和經驗被徹底地、不可避免地“去特征化”使用。在技術維度，預測性數據是數據數量、質量和學習方法均大幅提升的訓練數據。在版權層面，預測性數據消解人機協作的版權及倫理界限，與技術層面的數據本體存在顯著區別。

二、媒體預測性數據：技術實踐視角下AIGC與媒體的版權沖突

在人工智能技術應用層面，所有訓練數據都是用于分析數據關系和模式以產生模擬和預測結果的數據，將訓練數據額外界定為預測性數據缺乏必要性。而版權和倫理層面的訓練數據則迫切需要“預測性數據”角度的洞察和理解。

預測性數據代表生成式人工智能時代的“新興的新經驗主義”[7]，其核心是預測模型根據預測性數據中包含的大量數據案例、模式和關系進行多層次神經網絡學習來“預測”單個結果，而非從單個屬性“推導”出單個結果。推導和預測存在區隔，推導從證據和經驗中得出結論[8]，推導的結果拒絕遮蔽經驗和知識本身。預測建立在推導之上，將推導轉化為概率分布來預測結果[9]，經驗和知識在輸入和輸出中被隱匿。

具體而言，AIGC的深度學習神經網絡能將大數據中低維的實際經驗和知識逐層抽象并概括為高維的統計經驗和知識，最后投射至具體創作目的以生產特定結果。預測性數據本身龐大復雜的經驗和知識經由深度學習算法高度抽象和預測，導致輸入數據和輸出內容之間的因果關系被遮蓋，造成知識和經驗歸屬的倫理及認識論障礙，導致對版權屬性的判定障礙，使預測性數據處于版權數據和非版權數據的模糊疊加狀態，消解以往版權法律框架下版權數據和非版權數據的區隔性。然而，在大多數知識產權和版權訴訟案例中，第一步往往是確定權利爭議內容是否屬于版權內容（數據）。就預測性數據而言，它既可以視作版權數據，也可以視作非版權數據，這就為版權實踐帶來極大的不確定性。因此，將作為版權和倫理視角的預測性數據從作為技術實踐視角的訓練數據予以區別并抽離，具有理論上的必要性。

建構版權和倫理視角下的預測性數據概念的緊迫性，源于AIGC對媒體內容數據版權保護的沖擊。2023年11月，美國新聞/媒體聯盟（TheNews/MediaAlliance）《白皮書》指出：

“新聞和數字媒體在GoogleC4訓練集中的所有類別來源中排名第三，該訓練集用于開發博德（Bard）等Google生成式人工智能產品，數據集來源排名前十的網站中有一半是新聞媒體網站。”[10]

AIGC與媒體的版權沖突根植于媒體自身的特殊地位，它青睞媒體預測性數據主要有兩大原因。第一，媒體預測性數據具有公共性。采集和使用付費或受版權保護的數據將增加AIGC訓練模型的數據成本和侵權風險。區別于其他數字內容，媒體數字內容具有公共屬性[11]。媒體數據與個人數據的核心區別在于媒體數據處于公共領域和私人領域的交匯點。具體而言，作為信息傳播基礎設施的大眾媒體，內容采集、制作和發布均面向公共空間，內容數據具有天然開放性，這使得媒體內容數據成為AIGC模型的主要數據來源。

第二，媒體預測性數據的公開具有宰制性。媒體天然屬于公共領域，這與媒體所有制無關，而與其實踐密切相關[12]。數字時代帶來傳媒業向深度數字化轉變，要求媒體內容的開放使用。這種開放區別于被采取強制性手段的公開，而是迫于數字技術的優勢地位和影響。媒體機構如果拒絕在數字空間發布內容，將直接損害媒體的盈利能力和影響力。受數字技術宰制的媒體數據開放，媒體數據成為數字空間的基本圖景，這意味著AIGC時代媒體版權的隱憂并不局限于某一媒體的數字內容可能被用于預測和模仿，而是全行業的內容數據成為訓練數據集的組成部分。對媒體行業內容數據無限制模仿、訓練和生產最終會消解媒體行業的創造力和盈利能力，造成媒體版權實踐的普遍困境和爭議。

三、彌合版權“二象性”：作為“非版權敏感信息”的媒體預測性數據

媒體內容數據成為訓練數據的主要來源，能為AIGC開發者建立低成本、低風險、高質量的數據優勢，但媒體預測性數據在訓練模型中大規模使用模糊了媒體版權數據和非版權數據的界限，造成版權實踐的“二象性”困境，危及媒體行業的內容生態和版權利益。

（一）是版權數據？非版權數據的版權化

媒體預測性數據是版權數據嗎？

在傳統媒體版權框架下，版權保護的對象相對明確，媒體數據通常屬于版權保護范疇，例如，媒體的文字稿件、報道圖片、視頻音頻等。在媒體預測性數據版權實踐中，對版權造成損害的數據卻未必是版權數據。有的數據不在版權保護范疇，但能被生成式人工智能模型用于預測內容風格和生產模式，從而對媒體版權造成損害，導致“非版權數據的版權化”，最典型的案例是媒體的風格數據和行為數據。

傳統的媒體版權保護，受制于人類或機器的學習和創作能力，媒體內容的風格數據和行為數據不具備分析、預測和模仿的可能性，因而不在版權保護范圍內。AIGC技術突破這一限制，從非版權數據中獲取目標媒體關鍵內容信息、屬性和創作規律成為可能。被AIGC模型用于學習的非版權數據，既包括文字風格、畫面色調、語速語調等風格數據，也包括發布時間規律、空間規律等行為數據。借助這些數據，AIGC模型將媒體的內容模式和創作經驗批量轉化為具體的效用參數，并用于模仿和生產類似于目標媒體風格和模式的內容產品，它們反過來被用于與其媒體機構進行競爭。

即使媒體的非版權數據不包含版權內容，對其模仿和預測能夠獲取關鍵信息，同樣破壞著媒體內容生態，損害媒體機構的版權利益。媒體預測性數據的“非版權數據版權化”主要有兩條路徑：一是媒體自行發布的非版權數據經模型加工預測后版權化，即自披露非版權數據的版權化。AIGC在媒體不知情的情況下，自動抓取媒體發布的內容，預測并生成與其高度類似的內容。二是同類型媒體的非版權數據經模型加工預測后版權化，即可披露非版權數據的版權化。AIGC繞過目標媒體抓取數據，給媒體版權保護帶來嚴峻挑戰。無論是特定媒體自行披露還是其他相似媒體披露的非版權數據，AIGC都能通過預測將其制作成對版權構成潛在威脅的數據信息和內容，甚至媒體無法證明是何種內容或數據導致自身權利損害，這給媒體版權保護造成了更嚴重的權利救濟困境。

（二）不是版權數據？版權數據的去版權化

那么，媒體預測性數據不是版權數據嗎？

“非版權數據的版權化”并非是媒體預測性數據版權實踐困境的全部，AIGC造成最為嚴重和廣泛存在的媒體預測性數據，其侵權路徑是“版權數據的去版權化”。傳統的媒體版權保護，媒體版權的侵權行為通常清晰可見，主要是對媒體內容的復制或挪用。即便是“洗稿”，侵權方的侵權事實依然有跡可循。在侵權發生后，媒體機構能夠通過事實和證據來主張權利和維護利益。

在AIGC媒體預測性數據實踐中，數據采集、模型訓練和內容生成使用的媒體數據均被預測模型和算法“去版權化”。在數據采集端，由于缺乏技術手段，媒體機構能否通過AIGC模型獲得侵權證據，這取決于算法透明度和開發者意愿。在模型訓練端和內容生成端，憑借AIGC模型強大的預測和模仿能力，源數據（版權數據）被層級式分解為子單元（版權元素），不同的子單元又被關聯為特征（版權元素的重新排列組合）并最終聚合為生成內容。媒體數據的版權要素在數據加工和模型訓練中被遮蔽，輸出內容難以觀察到直接的版權使用痕跡。在媒體預測性數據的“版權數據去版權化”實踐中，媒體機構無法獲悉所擁有的版權內容是否被采集并用于訓練模型和生成內容，進而難以對侵權行為舉證并主張權利，導致媒體機構在與AIGC的預測性數據版權博弈中必然地滑向“弱勢地位”[13]。

在這種情況下，盡管媒體數據包含著版權信息，但經AIGC模型“預測”后，版權要素被重組和遮蔽，不具備版權可見性，成為去標識版權數據：AIGC將媒體版權數據納入訓練模型，以模擬和預測媒體的內容、風格和模式，再借助模型強大的學習和訓練能力，使媒體數據的版權使用被藏匿在輸入端和處理端，由此輸出和生成的內容不具有版權要素和使用痕跡，最終損害了媒體機構的版權利益和盈利能力。相較于非版權內容的版權化，版權數據的去版權化的核心在于使得版權數據失去了可識別的版權熟悉和標識，侵權行為更為隱蔽、智能且自主化，從而增加了媒體版權的救濟成本和難度。

（三）彌合版權“二象性”：媒體預測性數據何以成為“非版權敏感信息”？

如果媒體預測性數據不能簡單歸為版權數據或非版權數據，應當如何理解媒體預測性數據的版權性質？

需要說明的是，當前的版權法并未對這一情況做出任何回應，但媒體預測性數據的現實案例已經出現。2023年12月27日，《紐約時報》以侵犯版權為由起訴OpenAI和微軟擅用報道訓練大模型，成為第一家起訴這兩家公司侵犯其文字作品版權的美國大型媒體[14]。AIGC的不斷發展和媒體預測性數據的現實案例，決定對這一問題的討論處于進行時而非完成時。對這一問題的回答，需要基于AIGC時代媒體的信息“敏感性”和媒體預測性數據的實踐學視角，將媒體預測性數據作為一種“非版權敏感信息”，而不是簡單歸為版權數據或非版權數據。

首先，媒體預測性數據為何是敏感信息？在以往的數據倫理中，信息的“敏感性”似乎只限于個人信息，非個人信息（如組織和政府）通常不具有敏感性。特別是作為大眾傳播主要渠道的媒體，其數據天然與信息“敏感性”相抵觸。然而，信息“敏感性”的關鍵并非在于主體確屬，而是使信息“敏感”的客體是否存在，特別是客體獲取信息后是否具有危害性。AIGC的開發者能夠根據自己的需要，借助爬蟲工具自動抓取個人數據和媒體數據，并能在模型學習和訓練后進行模仿、預測和生成，從而侵犯個人隱私和媒體版權。因此，基于AIGC技術，無論是個人數據還是媒體數據都具有被視為“敏感信息”的正當性。

其次，媒體預測性數據應當被歸為版權保護范疇嗎？如前文所述，從傳統版權視角來看，AIGC對媒體預測性數據的采集和訓練，無論是非版權數據的版權化還是版權數據的去版權化，都構成版權法中的“合理使用”，難以定性為侵權行為。要理解作為“非版權敏感信息”的媒體預測性數據，應基于實踐學角度關注“預測”對媒體版權的潛在危害和后果。

對于非版權數據的版權化，AIGC開發者采集不屬于版權保護范疇的風格數據（文字風格、音調語氣、畫面色調）和行為數據（內容發布規律）作為模型訓練內容，借助模型強大的預測和生成能力，大批量、高精度模仿和生成媒體內容。就行為而言，這種對非版權數據的使用并未侵權，結果卻嚴重損害了媒體行業的內容生態和版權利益。對于版權數據的去版權化，AIGC開發者對媒體版權數據的使用僅限于輸入端和模型訓練過程，并未在輸出端和生產作品中直接挪用和復制，這似乎依然遵循版權法的“合理使用”原則。但就結果而言，版權數據的去版權化使用，導致AIGC模型對媒體版權內容的隱匿性系統挪用。

因此，即使“非版權數據的版權化”和“版權數據的去版權化”均得到版權法“合理使用”原則的支持，但媒體預測性數據迫切需要被納入版權保護考量，將媒體預測性數據作為一種“非版權敏感信息”，并在法律和倫理層面給予特殊對待。因為在實踐和結果層面，AIGC對媒體預測性數據的版權使用已經造成媒體行業的版權困境和利益受損。

四、結論

AIGC模型從推導到預測的范式轉變，使得輸入數據與內容生成物之間的經驗和知識關系被遮蔽。生成式人工智能技術，正在改變媒體業對于版權的理解并帶來實踐困境。當人工智能造成麻煩的時候，我們不會安慰人工智能，我們會安慰人。正如維特根斯坦所說：“一個人手疼……人們并不對手說安慰的話，而是安慰受疼的人。”[15]對媒體而言，媒體預測性數據是公共產品，更是媒體的智力勞動成果，AIGC對媒體預測性數據的合理使用，包括但不限于向媒體支付內容使用費用、免費開放模型使用權限等，有助于增強媒體業的盈利能力和創新動力。對AIGC開發者而言，任何機器和模型都難以替代和模仿人的創作靈性，完善媒體預測性數據倫理框架，有助于探索模型開發和媒體內容生產的良性循環模式，共同推動AIGC技術向善。對公眾而言，媒體預測性數據與AIGC的相互促進能夠豐富公共文化產品，確保包括媒體、個人在內的內容創造得到公平回報，從而激發社會整體的創造力。

[本文為中央高校基本科研人文社科專項（編號：2022CDJSKPY27）的階段性成果]

參考文獻：

[1]Soni J，Goodman R.A mind at play：how Claude Shannon invented the information age[M].Simon and Schuster，2017.

[2]Rosenblatt F.The perceptron：a probabilistic model for information storage and organization in the brain[J].Psychological review，1958，65（6）：386.

[3]Shum H Y，He X，Li D.From Eliza to XiaoIce：challenges and opportunities with social chatbots[J].Frontiers of Information Technology amp; Electronic Engineering，2018，19：10-26.

[4]Buchanan B G，Smith R G.Fundamentals of expert systems[J]. Annual review of computer science，1988，3（1）：23-58.

[5]Kononenko I.Machine learning for medical diagnosis：history，state of the art and perspective[J]. Artificial Intelligence in medicine，2001，23（1）：89-109.

[6]Shewalkar A，Nyavanandi D，Ludwig S A.Performance evaluation of deep neural networks applied to speech recognition：RNN，LSTM and GRU[J]. Journal of Artificial Intelligence and Soft Computing Research，2019，9（4）： 235-245.

[7]Rieder G，Simon J.Big data：A new empiricism and its epistemic and socio-political consequences[J].Berechenbarkeit der Welt？Philosophie und Wissenschaft im Zeitalter von Big Data，2017：85-105.

[8]Anthony L J.The Cambridge dictionary of statistics[J].Reference Reviews，2003，17（1）：29-30.

[9]Mühlhoff R.Automatisierte Ungleichheit：Ethik der Künstlichen Intelligenz in der biopolitischen Wende des Digitalen Kapitalismus[J].Deutsche Zeitschrift für Philosophie，2020，68（6）：867-890.

[10]The News/Media Alliance （N/MA）.White Paper：How the Pervasive Copying of Expressive Works to Train and Fuel Generative Artificial Intelligence Systems Is Copyright Infringement And Not a Fair Use[EB/OL].（2023-10-31）[2024-04-07].https：//www.newsmediaalliance.org/generative-ai-white-paper/.

[11]Sehl A. Public service media in a digital media environment：Performance from an audience perspective[J].Media and Communication，2020，8（3）：359-372.

[12]李良榮，張華.參與社會治理：傳媒公共性的實踐邏輯[J].現代傳播（中國傳媒大學學報），2014，36（04）：31-34.

[13]Colangelo G. Enforcing copyright through antitrust？The strange case of news publishers against digital platforms[J]. Journal of Antitrust Enforcement，2022，10（1）：133-161.

[14]Grynbaum M.，Mac R.The Times Sues OpenAI and Microsoft Over A.I.Use of Copyrighted Work[N/OL].（2023-12-27）[2024-04-08].https：//www.nytimes.com/2023/12/27/business/media/new-york-times-open-ai-microsoft-lawsuit.html.

[15]路德維希·維特根斯坦.哲學研究[J].陳嘉映，譯.上海：上海人民出版社，2005：115.

作者簡介：劉海明，重慶大學新聞學院教授，博士生導師（重慶 401331）；陶鵬輝，重慶大學新聞學院碩士生（重慶 401331）。

編校：鄭 艷