再让AI大厂这么“偷”下去 咱就看不到免费的网站了
最近，谷歌发布了一份令人意外的隐私政策更新，明确表示他们将使用公开的在线数据来训练自家的 AI 模型。换言之，根据新政策，谷歌有可能抓取你在网上公开发布的所有信息，包括但不限于帖子、搜索关键词和观看过的视频。
这不妥妥的互联网裸奔吗！
OpenAI 刚刚被控侵犯数据隐私不久，谷歌就急着冲上来与之抢夺头把交椅。显然，这一动作很有可能与数据付费紧密相关。谷歌不去抓这波免费的数据，未来很可能再也无法得到了。实际上，自从 ChatGPT 大火之后，这个话题就再也没平息过。
今年 3 月，马斯克首先举起了数据付费的大旗，宣布 Twitter 的 API 接口将不再免费使用。紧接着，就是 Reddit 上一个月的“停电”抗议活动，抗议的正是官方的数据付费政策。从那时以后，大多数第三方软件已宣布停止开放，Reddit 决心向数据收费迈进。
最近一段时间，Twitter 又出现了限制流量的事件，没有付费认证的账号每天只能阅读 600 条帖文，目的是为了阻止机器人获取用户数据。
难道数据就这样变得如此珍贵了吗？实际上，这或许与 AI 有一定关系。毕竟，要让 AI 大型模型变得更加智能，就需要源源不断的数据来“喂养”。
现在能够制作大型模型的公司，要么是自己有丰富的数据，像百度、阿里和腾讯，要么是爬取别人的数据，这里特别点名的是 OpenAI。
因为许多网站都提供免费的 API 接口，为微软和 OpenAI 这些巨头提供了机会。但是现在情况不同了，AI 重新赋予了数据价值之后，有了牌照的平台肯定不愿意再被白嫖了。即使是 Reddit 的 CEO 霍夫曼也公开说：他们不想再免费提供数据给这些巨头。
所以，OpenAI 被起诉很可能是大型平台们联合起来的一种“杀鸡儆猴”行动，以此来制止 AI 这一歪曲风气。但是，法律是否会站在 OpenAI 这一边，还真是难说。
因为数据版权涉及到三个关键问题：
1. 数据爬虫行为本身是否合法？
2. 数据是否受版权保护？
3. 用数据生成的作品是否受版权保护？
首先，第一个问题是指获取数据的方式，无非是付费购买或者收集公开的数据。但需要注意的是，公开的数据并不等同于被授权使用，还要看网站是否对数据爬虫行为有限制条款。
如果越过版权方的同意、或者绕过网站的限制强行获取数据，那就是明确的非法入侵计算机信息系统罪。即使 OpenAI 声称他们爬取的是公开网站的数据，数据爬虫行为本身是否合法，还要看版权方是否授权。
其次，关于数据本身是否受版权保护。根据美国版权法，如果 AI 模型所使用的训练数据符合“合理使用”的范围，就不构成侵权。
但问题在于“合理使用”的界定。其中包括商业用途是否涉及、原始作品是否受版权保护、使用的数量和对原作产生的影响等四个标准。像新闻报道、学术研究，适当引用是完全可以的。
但是，对于拥有数以亿计使用量的 AI 模型和商业化的 AI 软件来说，它们还能被视为“合理使用”吗？最后，是关于 AI 生成作品的版权问题。
由于训练数据的版权难以厘清，AI 生成的内容自然也会出现版权争议。就在前几天，Steam 甚至下架了一款使用 AIGC 生成的游戏，指认版权存在问题。
以 AI 绘画为例，图像生成相当于重组和重新装配，虽然最终结果是全新的，但仍然保留了一些训练图像的特征。但这种情况到底算不算侵权，各国有不同的观点。
因为训练数据属于他人，美国版权局认定由 AI 生成的作品不受版权法保护，甚至可能侵犯著作权。
而日本政府则持完全不同的态度，表示日本法律不保护 AI 训练所使用数据的版权。至少在现有法律框架下，这些问题很难得到统一的答案。既然监管力度有限，版权方只能亲力亲为，开始收费，尽快追讨权益。
可以预见，在推特和 Reddit 之后，也许还会有更多内容版权方立起高墙。对于平台来说，这当然是一条获利的新路径，科技巨头也需要付出更多的金钱。但对于整个互联网来说，这可不是一件好事。
当年，互联网以开放共享的基因诞生，例如维基百科和推特一直免费提供 API 接口，以方便开发者调用数据。
然而，如果数据收费成为现实，那将带来无法预料的后果。小型开发者很难承担庞大的数据费用，如果创新只限于巨头内部，那不就是纯粹的垄断吗？
尤其令人担忧的是，很多现在免费访问的网站可能会变成付费网站，这对于像我们这样的普通用户来说是个打击。
实际上，不能完全怪平台收费数据，毕竟巨头们的 AI 技术太过强大，让人有些胆怯。他们这样做也是为了自保，只能说是无奈之举。尽管谷歌有“隐私政策”作为保护，但结果如何还真不好说。关键是我们需要看监管的强力介入何时能落实。
澄清数据版权是 AI 发展中无法绕过的难题，而现在，似乎也关乎着互联网未来的走向。我们无法预测 AI 这艘船会将我们带向更加开放还是封闭的时代。
