公共天才的私有捕获：AI公司如何收割人类知识公地

2026年7月6日

AI数据版权公共资源公地悲剧开源训练数据数字公域

数据源：Wysr + HN · HN

想象一个河口三角洲。河水从高原奔向大海，沿途侵蚀每一寸流经的土地，携带着淤泥、沙粒、黏土和有机质，在入海口沉淀堆积。一个大陆流域的精华在此漩涡、积累，最终在三角洲形成了某种繁茂、奇特、生机勃勃的东西。而人类知识的总和，不也正是这样吗？每一段被爬虫抓取的文字——AI模型摄入的每一枚token——都是人类探索之河中沉积下来的一粒泥沙。堆积足够多的颗粒，你就看懂了星辰的运行。凝视泥浆足够久，你就看见了逻辑本身的结构。

人类知识的沉积如同河流三角洲——滋养万物却无人所有 来源：Wysr / Cameron Armstrong,《The Private Capture of Public Genius》

大型语言模型将冲积土壤转化为答案，这是一场文明级别的丰收。但抽走泥土，三角洲就不复存在。抽走语料库，丰收便化为虚无。模型不是在真空中学会推理的——它通过反复观察理性来吸收理性。它的泛化能力，来自它吞下的每一个例子、每一次修正、每一场论辩。在历史、文化和科学的回声中，某个人类的决定为今天聊天机器人的每一次回答搭建了舞台。

2026年7月，一篇题为《公共天才的私有捕获》（The Private Capture of Public Genius）的长文在Hacker News上引发了激烈讨论，将这个问题推到了聚光灯下。文章作者Cameron Armstrong用Bell Labs的历史案例和当代经济学的框架，论证了一个核心主张：前沿AI公司正在以文明级别的规模收割人类公共知识，将其压缩为私有模型权重，并从中获取数万亿的估值——而知识的原始贡献者既没有获得补偿，也没有发言权。

Bell Labs的先例：当公共资助的研究回归公共领域

1956年1月24日，美国电话电报公司（AT&T）是世界上最大的私营企业。其收入占美国GDP近2%，雇员74.6万人。它拥有贝尔实验室——那个已经产出了晶体管、太阳能电池、信息论和射电天文学的传奇研究部门。在随后的几十年里，它还将贡献UNIX、现代蜂窝通信、CCD图像传感器和第一颗有源通信卫星。这一连串的智力产出，为贝尔科学家最终斩获五项图灵奖和十项诺贝尔奖铺平了道路。

AT&T与联邦政府1956年同意令的经济安排 来源：Wysr / Cameron Armstrong,《The Private Capture of Public Genius》

然而，就在那一天，AT&T签署了一项历史性的同意令：免费向任何提出申请的美国公司开放其全部7,820项未过期专利的独家权利，并以”合理费率”授权未来申请的任何专利。一个尖端的知识产权宝库，一夜之间、不可逆转地向自由市场敞开了大门。

这背后的经济逻辑精巧而扭曲。作为受监管的垄断企业，AT&T的回报率被限制在约7%。但”投资资本”的计算基数——交换机、电缆、建筑——是可以扩张的。在普通公司，研究是你要最小化的成本；但在AT&T，每一美元的研究经费同时做两件事：它是电话用户合同下可回收的无风险成本，也是新资本密集型技术的源泉。部署这些新技术扩大AT&T的费率基数，同一7%回报率下的绝对利润随之增长。这套安排客观上创造了广阔的”稻田”——一项又一项技术创新得以在其中蓬勃生长。

但这份同意令带来的意外后果远超预期。在释放专利后的几年内，这些专利在电信行业外产生了近60亿美元的后续专利价值，其中约35亿美元来自年轻初创企业申请的专利。这波创业浪潮中有一条著名的分支：Shockley半导体→Fairchild半导体→英特尔。英特尔的联合创始人Gordon Moore后来将这波创新级联描述为：“商业半导体产业最重要的发展之一。（贝尔实验室）自由许可政策与人们离开贝尔创办德州仪器和Shockley半导体之间存在直接联系。这开启了硅谷的增长。“而65年前的联邦政府选择将公共资助的研究成果释放给公众——这与当代AI实验室的做法形成了尖锐对比。

经济学的四个象限：互联网到底是什么？

经济学用一个简单的框架来分类资源：排他性和竞争性。能否阻止他人使用？一个人的使用是否减少他人可用的部分？这个2×2矩阵给出了四种结果：私人物品（排他且竞争，如三明治）、俱乐部物品（排他但非竞争，如Netflix）、公共池塘资源（非排他但竞争，如牧场）、公共物品（非排他且非竞争，如路灯）。

前沿AI实验室的一般立场是：互联网上的数据在合理使用的版权制度下对训练开放。用经济学术语，这个论点暗示互联网是一种公共物品。大规模抓取和训练并不销毁原始数据。每篇博客、每条推文、每场论战都还在那里，且大多对公众开放。没有人明确拥有它。

但这个论证存在两个层面的问题。第一，公开访问不等于授权使用。图书馆卡让你有权阅读一本书，而不是复印整座图书馆。在2008年写博客的人不可能对今天的语言模型训练表示同意——因为那个使用场景在当时根本不存在。同意无法被反向推定，尤其是对一个从科幻情节日趋变成现实的技术。

第二，也是更深层的问题：即便训练语料本身在字面意义上没有被”消耗”，支撑这个语料层存在的互联网功能层——发现层、注意力层、贡献层、诚信层——正在遭受系统性损害。当生成式AI可以零边际成本向互联网的每个角落灌入大量媒体内容时，真诚参与网络创作的激励正在消退。如果你的产出无法在海量AI变体中被人看到，如果你终于做出真正令人印象深刻的作品后，置顶评论却又是指责你是AI——那么制造和分享还有什么意义？

法律战场：合理使用的边界在移动

当前的法律图景是一幅未解决的拼图。在美国，法院通过四个标准衡量合理使用抗辩：使用的目的、原作品的性质、使用的数量、以及对原作品市场的影响。实践中，这四个标准通常塌缩成两个关键问题：新作品是否具有变革性，以及是否损害原作的市场。

2025年6月，Bartz诉Anthropic案中的Alsup法官裁定，用合法获取的书籍训练AI”本质上是变革性的”，构成合理使用；但用盗版书籍构建训练库则是”内在的、不可弥补的侵权行为”。Anthropic面临高达700亿美元的理论版权赔偿风险，几个月后以15亿美元达成和解——这是美国历史上最大的版权和解案（到目前为止），但既未为Anthropic授予任何未来许可，也未对法律做出任何澄清。

在相关裁决Kadrey诉Meta案中，Chhabria法官同样认定LLM训练具有变革性，但勉强判定市场损害证据不足。他在裁决中批评原告几乎没有提出市场稀释的证据，同时暗示”LLM大量产出与训练数据相似的AI作品的能力，通常会让原告在第四要素上决定性胜出——从而在类似案件中整体赢得合理使用问题”。

纽约时报诉OpenAI和微软案同样在推进。OpenAI在2024年向新闻机构提供了100万至500万美元不等的年度训练数据许可费，而纽约时报则在2025年5月与亚马逊达成了据报价值2000万至2500万美元的多年许可协议。与此同时，美国版权局在2025年发布了一份不具约束力的报告，认为公开可用性本身并不自动允许合理使用模型训练。

最令技术派感到有力的辩护，也是最简单的那个：“模型只是阅读。“每个活着的作家都建立在他们所消费的书籍之上。没有人因为受到《老人与海》的启发而向海明威的遗产开支票。但一个人一辈子读了一万本书，会变成另一位写作者——以人类速度工作，以人类规模出版，把沉积物一粒一粒地返还给三角洲。而一个读完了一切的模型，变成了印刷机，印出更多的印刷机。

归因塌陷：为什么个人补偿在数学上不可行

这里有一个技术性障碍，让围绕训练数据的法律和政策讨论变得更加棘手。前沿实验室的论点是：数十亿被抓取的数据点单个看都是无价值的，但集合起来价值万亿。删除任何一个，模型几乎不察觉。因此没有单个作品真正重要。因此没有单个作品值得被支付。

这个”算不清账所以不付钱”的逻辑听着像悖论，但背后的技术现实确实复杂。目前衡量训练数据贡献度的主要形式方法是Shapley值——该方法计算一个输入在它能出现的每种排序中的边际贡献平均值。但这个数字并非作品本身的固有属性，而是该作品与训练集中所有其他作品关系的函数。同一文档在不同训练集中会有不同的Shapley值。由于训练是随机的，即使训练同一模型两次，Shapley值也可能因运行而异。更关键的是，为前沿规模的模型计算真实的Shapley值在计算上根本不可行——这些模型训练一次就需数周，而精确的Shapley核算需要对不可能的输入组合进行重新训练。

因此，至少就目前而言，不存在一个客观的估值方案来计算任何作品的精确贡献份额——即便有，也会在实施的那一刻被诉讼打到灰飞烟灭。前沿规模LLM训练的个体归因在可预见的未来不会成功。你不能按比例付钱，因为不存在一个可操作的具体份额。

这也就引出了Cameron Armstrong提出的”语料库版税”（Corpus Royalty）方案。然而，在Hacker News的讨论中，这个方案在美国中心主义的预设上遭遇了相当多的批评——一位澳大利亚读者直言：“我的文字也沉积在三角洲里，为什么我分不到？“

反方论点：成本、安全与开源替代

一个完整的讨论需要呈现反方的核心论点。这些论点并非没有分量。

训练前沿模型的成本是天文数字级别的。Anthropic在2026年5月的融资公告中披露，其年化收入已达470亿美元——但考虑到训练集群的资本支出和运营成本，公司预计到2026年第二季度才首次实现季度盈利。OpenAI 2026年的预计现金消耗约为270亿美元，2027年更将跃升至约630亿美元。这些模型不是从天上掉下来的——它们需要数万块GPU、数兆瓦的电力、以及极为稀缺的研究人才。支持者认为，没有私人资本和利润激励，这些能力根本不会以目前的速度出现。

图灵奖得主Yann LeCun一贯主张开放权重模型的立场。Meta的Llama系列、Mistral、DeepSeek、Qwen等开源和开放权重模型确实存在，并且正在缩小与闭源前沿模型的差距。DeepSeek R1以MIT许可发布，允许无限制的研究和部署。Allen Institute for AI（Ai2）也在持续推进完全开放的模型发布。这些模型的存在至少说明：并非所有AI公司都在围墙花园的方向上一路狂奔。

安全是另一个常被引用的论点。Anthropic的成立本身——一群前OpenAI员工因安全分歧而出走——就是用脚投票的例子。具备潜在危险能力的模型，开放权重确实带来了被恶意行为者滥用的真实风险。在这套逻辑中，封闭访问被视为一种安全责任。

然而，这些论点的说服力取决于你从哪个视角切入。450亿美元的营收当然意味着巨大的成本——但同时也意味着巨大的价值，而该价值的原材料来自全人类无偿贡献的知识。安全是一个真实的关切，但安全关切的受益者与成本的外部化并不对称。开源替代在进步，但前沿能力的最大经济租金仍集中在少数闭源实验室手中。

数据尊严运动与替代路径

在”谁拥有训练数据”这道题上，有一个值得关注的平行运动正在获得关注。微软Office of the Prime Unifying Scientist的Jaron Lanier——这位VR领域的先驱和计算机科学家——推动的”数据尊严”（Data Dignity）概念试图从中间路线切入。与其像传统版权诉讼那样追诉每一笔离散的复制，数据尊严试图当一个大模型产出有价值的结果时，追溯那些最独特和最有影响力的贡献者。

微软研究院在2025年3月发表了DataDignity项目的研究，探索训练数据归因的技术路径。Lanier本人的表述是：“数据尊严方法会在一个大模型提供有价值输出时，追溯那些最独特和最有影响力的贡献者。当用户要求模型制作’一部关于我孩子在猫说话的油画世界里的冒险动画片’，那么某些关键的油画画家、动画师或配音演员就会被识别出来。”

TechCrunch在2025年3月的报道中指出，这一项目的直接动机就是正在进行的版权诉讼浪潮——Bartz案、纽约时报案、以及数十起类似的集体诉讼。然而，从技术实现到法律执行之间的距离仍然很漫长。

奥斯特罗姆的八项原则与互联网公地的治理困境

2009年诺贝尔经济学奖得主Elinor Ostrom通过研究瑞士高山牧场、日本森林和西班牙灌溉网络，记录了社区如何可持续地共享公共资源长达数个世纪。她提出了持久公地的八项条件：清晰的边界、与当地条件匹配的规则、受影响者的参与决策权、由使用者问责的监督、分级惩罚机制、可及的争议解决渠道、社区组织权利的承认，以及跨层级的嵌套治理。

用这套清单审视今天的互联网：边界模糊，人人贡献却无人设防。填充它的人对如何治理没有发言权。规则不清晰，只在寥寥几起资本雄厚的当事方诉讼中偶尔得到诠释。监督薄弱，存在时也总是事后而非事前。没有监督，没有分级惩罚，没有共享的争议解决场所。用Ostrom的精确术语来说，这根本不是一个受治理的公地。它是一个拔了塞子的公共池塘资源。

这正是我们今天面对的核心困境。前沿实验室训练语料的不断收割——借用Cuyahoga河燃烧和Buffalo Creek泥浆灾难的比喻——像一场网络工业废料泄漏，污染整个三角洲。

这不是新故事，只是新尺度

企业实体建立在对公共支持的基础上，然后试图私有化上行的同时社会化支撑条件——这并不新鲜。特别组织以前就这样滥用过它们的特殊地位。不同之处在于，这一次受影响的类别是”所有人同时”。

从我们五千多年前在泥板上刻下第一个符号的那一刻起，也许就一直在为这一刻做准备。当每一个外在化的思想、每一个文字、每一张图表、每一个修辞转折都可以被卷入一个机械精灵之中，谁能抵制将其卖回给供应者的诱惑？前沿实验室越来越追求公用事业的权力和特权，却不接受随之而来的公共义务。而公共知识的使用者——无论是读着维基百科长大的GPT，还是在GitHub上训练的代码助手——它们的创造者应该在这场交易中有一个位置。

本文的素材来自公开信息和社区讨论。如果你对这个话题有更深入的一手经验，欢迎指出文中的不足。

参考链接

参考来源（2）