人工智能发展的重大风险降低：LLM训练的合理使用裁决
近日，美国联邦法官裁定，使用受版权保护的作品训练大型语言模型（LLM）属于合理使用。这意味着AI模型可以像人类一样自由地从书籍中学习，为人工智能的发展扫清了一大障碍。这一裁决无疑为AI领域的创新注入了新的活力。
法院裁决的核心内容
美国地方法院于2025年6月25日做出了一项重要裁决，该裁决明确指出，使用受版权保护的书籍来训练LLM构成合理使用。此前，一些作家对Anthropic公司提起诉讼，指控其在未经许可的情况下使用他们的作品训练AI模型。法官认为，正如我们允许人们通过阅读书籍来提高写作水平，但不允许他们逐字复制受版权保护的文本一样，AI模型也可以合理地利用书籍进行学习。
法官Alsup在裁决中写道，作家们的诉讼“与他们抱怨训练学童写作会导致大量竞争作品涌现的情况没有什么不同”。尽管该裁决是否会被上诉还有待观察，但这一判决无疑是合理且有利于AI发展的。（免责声明：我不是律师，不提供法律建议。）
人工智能发展面临的风险
尽管人工智能发展势头强劲，但仍面临一些潜在风险：
- 监管捕获扼杀创新：以“AI安全”为名，限制包括开源在内的创新。
- 芯片获取受限：主要风险在于台湾地区爆发战争，导致无法获得先进的半导体芯片。
- 数据访问受限：严格限制用于训练AI系统的数据访问。
获取高质量的数据至关重要。尽管媒体经常强调建设大型数据中心和扩展模型的重要性，但与训练基础模型的公司交流时，我了解到他们面临的日常挑战主要集中在数据准备上。具体而言，他们的大部分工作遵循以数据为中心的人工智能实践，包括识别高质量数据源（书籍是重要来源之一），清理数据（裁决中提到Anthropic采取了移除书籍页眉、页脚和页码等措施），进行误差分析以确定需要获取更多哪种类型的数据，以及发明新的方法来生成合成数据。
数据获取风险的降低
我很高兴看到数据访问方面的一个主要风险已经降低。裁决进一步指出，Anthropic将纸质书籍转换为数字格式的行为（这是训练所必需的步骤）也属于合理使用。然而，对Anthropic不利的是，法官表示，虽然使用合法获取的数据进行训练是合理的，但使用盗版材料（例如从盗版网站下载的文本）则不属于合理使用。因此，Anthropic仍可能在这方面承担责任。其他LLM提供商如果使用可能包含盗版作品的数据集，也可能需要重新审视其做法。
总的来说，这项裁决对人工智能的进步是积极的。它减少了人工智能训练和版权方面的模糊性，并使合规路径更加清晰。该决定表明，使用合法获取的数据构建生成变革性输出的模型，以及为此目的将印刷书籍转换为数字格式是可以接受的。但是，从盗版网站下载数据（以及未经相关版权持有人许可，永久构建用于确定目的的“通用”文本库）不被认为是合理使用。
对作家 livelihoods 的影响
我非常理解许多作家担心自己的生计受到人工智能的影响。我不知道正确的解决方案是什么。社会可以通过自由访问更多数据而变得更好；但是，如果一部分人受到严重负面影响，我希望我们可以找到一种公平补偿他们的方法。
结论与展望
人工智能领域的这场版权之争，实质上是创新与版权保护之间的平衡。法院的判决在鼓励技术发展的同时，也对数据的合法获取提出了明确要求。这意味着，AI公司在追求技术突破的同时，必须尊重知识产权，建立更加规范的数据获取和使用机制。
人工智能发展的新篇章：版权裁决的影响与应对
裁决的积极影响
这项裁决对人工智能领域具有深远的积极影响，主要体现在以下几个方面：
- 降低法律风险，鼓励创新投入：明确了使用受版权保护作品进行AI训练的界限，降低了企业的法律风险，从而鼓励更多企业和研究机构加大对AI技术的研发投入。
- 加速AI技术发展：为AI模型提供了更广泛的学习资源，有助于提升模型的性能和泛化能力，加速AI技术的整体发展。
- 推动数据合规化：促使AI公司更加重视数据的合法获取和使用，推动整个行业朝着更加规范、健康的方向发展。
裁决带来的挑战
尽管裁决总体上对AI发展有利，但也带来了一些挑战：
- 盗版数据风险：裁决明确禁止使用盗版数据进行AI训练，这要求AI公司加强数据来源的审查，避免因使用盗版数据而面临法律风险。
- 数据获取成本增加：随着数据合规要求的提高，AI公司获取数据的成本可能会增加，尤其是在高质量数据集方面。
- 作家权益保护：如何平衡AI发展与作家权益保护是一个需要长期探讨的问题。尽管裁决允许使用受版权保护的作品进行AI训练，但如何确保作家获得合理的回报仍然是一个挑战。
应对策略
为了应对这些挑战，AI公司可以采取以下策略：
- 建立完善的数据合规体系：建立完善的数据合规体系，确保所有用于AI训练的数据都经过合法授权。
- 加强数据来源审查：加强对数据来源的审查，确保不使用盗版数据或其他非法数据。
- 探索新的数据获取方式：探索新的数据获取方式，例如通过合作、购买等方式获取高质量数据集。
- 参与行业标准制定：积极参与行业标准的制定，共同推动AI行业的健康发展。
- 加强与作家群体的沟通：加强与作家群体的沟通，共同探讨AI发展与作家权益保护的平衡之道。
数据为王：以数据为中心的人工智能实践
在人工智能领域，数据的重要性日益凸显。正如文章中提到的，许多公司在训练基础模型时，面临的日常挑战主要集中在数据准备上。这意味着，以数据为中心的人工智能实践正在成为主流。
数据准备的关键步骤
数据准备是AI项目成功的关键步骤，主要包括以下几个方面：
- 识别高质量数据源：高质量的数据是AI模型训练的基础。AI公司需要仔细评估各种数据源，选择那些与目标任务相关性高、质量可靠的数据。
- 数据清洗：原始数据往往包含噪声、缺失值和不一致性。数据清洗的目的是消除这些问题，提高数据的质量。
- 数据转换：数据转换是将数据转换为适合AI模型训练的格式。这可能包括数据标准化、归一化、编码等操作。
- 数据增强：数据增强是通过对现有数据进行变换来生成新的数据。这有助于扩大数据集的规模，提高模型的泛化能力。
- 误差分析：误差分析是识别模型在哪些类型的数据上表现不佳。这有助于指导数据采集和数据增强的方向。
数据驱动的AI发展
以数据为中心的人工智能实践强调数据在AI项目中的核心地位。这意味着，AI公司需要将更多精力放在数据质量、数据管理和数据利用上。通过不断优化数据，我们可以构建出更加强大、可靠的AI模型。
结论：拥抱机遇，迎接挑战
美国联邦法院的裁决为人工智能的发展扫清了一大障碍，但也带来了一些新的挑战。AI公司需要积极应对这些挑战，建立完善的数据合规体系，加强数据来源审查，探索新的数据获取方式，并加强与作家群体的沟通。只有这样，我们才能在拥抱人工智能带来的机遇的同时，确保行业的健康、可持续发展。
未来，人工智能将在各个领域发挥越来越重要的作用。我们有理由相信，在全体从业者的共同努力下，人工智能将为人类社会带来更加美好的未来。
