共计 1077 个字符，预计需要花费 3 分钟才能阅读完成。
语料授权这笔生意, 为什么定价比想象中难得多?
当 AI 公司为训练数据付费成为常态,“一份语料值多少钱”仍无标准答案 。 海外已有公开交易和判赔, 但数字含义不同; 直接套到中国市场并不成立。定价难, 根源在于市场尚未形成。
📌 海外标价: 授权费与和解金不同
哈珀·柯林斯与微软签下非虚构图书 AI 训练授权,单本三年 5000 美元。泰勒 - 弗朗西斯与微软达成 1000 万美元学术内容授权, 另有三年期使用费。Anthropic 因从盗版库下载超 700 万本电子书训练模型, 支付 15 亿美元和解金, 覆盖约 48 万至 50 万部作品, 折合每部约 3000 美元。
但两者含义不同。法院区分合法获取用于训练与从盗版渠道下载并永久存储: 前者可能构成合理使用, 后者构成侵权。3000 美元标价的是获取方式违法, 不是语料本身的价值。
🔍 中国市场: 预期错位
买方一侧,中国大模型企业付费能力与海外巨头不在一个量级。高盛预测中国 AI 模型 API 及订阅收入将从 2026 年的 350 亿元增至 2030 年的 8790 亿元, 但多数公司仍在亏损; 不少模型又以 MIT 等宽松许可证分发, 允许免费使用甚至商用, 采购动力天然偏低。卖方一侧, 出版社和新闻机构的内容经过严格编审, 参照海外价格买方觉得贵, 不参照卖方又觉得被低估。缺少公开交易平台、标准化定价基准和成交案例, 是价格难锚定的核心。
💡 合规边界模糊压低付费意愿
大模型训练涉及作品数量极大,逐一获取授权几乎不可能。中国著作权法对合理使用采取封闭式列举, 将模型训练纳入其中任何一种都面临解释困难。
杭州首例涉生成式 AI 平台侵害信息网络传播权案中,法院认为训练阶段使用作品不以再现独创性表达为目的, 可认定为合理使用, 前提是不损害原作正常使用。但边界仍模糊。华东政法大学教授王迁指出, 建立语料库需对海量作品复制, 若未经许可且未产生新价值, 单纯以“学习”为由主张合理使用, 法理上难以自洽。有律师提醒, 即便签了授权协议, 若权利链条或下游场景有瑕疵, 企业仍可能面临侵权或违约风险。付费后风险仍存, 买方出价更谨慎。
📊 哪些语料真正有议价权
- 经专业编审的出版物, 尤其非虚构、学术和专业领域文本, 权利链条相对清晰;
- 独特且不可替代的内容库, 如金融数据库、医学文献库、法律案例库;
- 结构化加工和标注的数据集, 原始文本价值有限, 加工后的数据资产才具备交易价值。
🚀 总结: 定价共识需要市场基础设施
围绕“语料授权这笔生意, 为什么定价比想象中难得多?”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
