计算机行业：浅析AI大模型训练数据来源与版权挑战-240719-广发证券-38页_3mb

计算机行业：AI大模型训练数据来源与版权挑战

核心内容

AI大模型的训练数据来源广泛，包括公开渠道、企业自研、直接购买和合作交换等方式。训练数据的规模、质量和多样性对模型性能具有重要影响，因此AI领域正经历从“以模型为中心”向“以数据为中心”的转变。

主要观点

• 训练数据的重要性：训练数据是AI大模型性能的关键因素，影响模型的准确性、泛化能力和上下文理解能力。
• 数据来源分类：包括维基百科、书籍期刊、论坛、代码和网页数据，其中网页数据（如CommonCrawl）是大模型训练的重要组成部分。
• 版权挑战日益凸显：AI训练数据的版权问题引发大量诉讼，内容持有者态度不一，部分选择诉讼，部分选择授权合作。
• 版权诉讼与合作趋势：2023年下半年，AI数据版权诉讼进入白热化阶段，2024年上半年内容合作加速，显示出行业对数据版权问题的关注度提升。
• 未来趋势预测：2024年有望成为AI训练数据版权之争的关键年，重点案例的判决将对行业产生深远影响。

关键信息

一、训练数据来源分类

数据来源	说明
维基百科	多语言、跨领域，常用于预训练
书籍期刊	提供丰富的科学知识，但授权进展缓慢
论坛	包含真实语言表达，提升模型泛化能力
代码	用于代码生成与补全，提高模型在编程任务中的表现
网页	涵盖多种内容，提供广泛信息，如CommonCrawl和C4数据集

二、数据版权挑战

• 版权诉讼：已有数十起版权诉讼正在进行，主要涉及未经授权使用受版权保护内容。
• 内容持有者态度：作家和艺术家普遍抵制AI公司，而新闻媒体则难以统一立场，部分选择合作。
• 法律与商业利益：版权纠纷实质是商业利益之争，内容持有者选择诉讼或合作取决于其商业模式、内容独特性和行业结构。

三、授权合作案例

AI公司	内容持有方	协议形式与金额	授权内容
OpenAI	Shutterstock	金额未公布	训练
OpenAI	美联社	金额未公布	部分训练
OpenAI	Axel Springer	未来三年支付数千万欧元	训练、展示
OpenAI	金融时报	500-1000万美元	部分训练、展示
OpenAI	Reddit	6000万美元/年	训练、展示
OpenAI	新闻集团	5年协议，超过2.5亿美元	训练、展示
苹果	康泰纳仕，NBC新闻，IAC	5000万美元的多年期合同	训练
苹果	Shutterstock	5000万美元	训练
谷歌	Reddit	6000万美元/年	训练、展示

四、未来授权趋势

• 定价模式变化：未来内容授权可能基于内容对AI模型的贡献，如利润分享、按API访问次数收费等。
• 内容稀缺性：内容持有者通过提供稀缺数据增强议价能力，如新闻档案、视频资料等。
• 行业差异：新闻媒体因生命周期短、价值易下降，授权进展缓慢；艺术与音乐行业因独特性和版权管理组织，更倾向于诉讼。

投资建议

• 受益领域：创意工具软件与办公软件。
• 标的建议：万兴科技（300624.SZ）、美图公司（01357.HK）、金山办公（688111.SH）等。

风险提示

• 内容价值难以量化：AI模型对内容的使用可能影响其商业价值评估。
• 行业竞争加剧：AI数据版权问题可能引发更多竞争。
• 数据侵权阻碍应用发展：未经授权的数据使用可能影响下游应用的商业化进程。

行业评级

• 评级：买入
• 前次评级：买入
• 报告日期：2024-07-19

重点案例关注

• 《纽约时报》诉OpenAI案：作为重点案例，其判决将对AI训练数据版权界定产生重要影响。
• 汤森路透诉Ross Intelligence案：预计2024年8月26日庭审，初步揭示法院对训练数据版权的态度。

未来展望

• 法律与监管介入：2024年可能成为AI数据版权之争的关键年，诉讼与合作并行，授权合作或快于法律变革。
• 技术与版权融合：随着多模态大模型的发展，数据授权将从文本扩展至图像、视频和语音等多模态数据。