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

识别风险，发现价值请务必阅读末页的免责声明1/38[Table_Page]深度分析|计算机证券研究报告[Table_Title]计算机行业浅析AI大模型训练数据来源与版权挑战[Table_Summary]核心观点：AI大模型训练数据来源广泛。在算力可获得性提升以及算法同质化趋势下，训练数据成为影响大模型性能的重要因素。区别于传统AI模型，大语言模型通常使用公共文本数据集的混合体作为预训练语料库，而多模态大模型则需要大规模的图片和音视频等多模态数据。这些训练数据的来源广泛，包含公开渠道、企业自研、直接购买与合作交换等。内容持有者对AI厂商态度各异。部分内容持有者针对AI平台提出了各种维权诉求，已有数十起版权诉讼正在进行中。同时，另一部分内容持有者则选择了授权合作道路。版权纠纷实质上是商业利益之争，内容持有者具体选择诉讼还是合作取决于其商业模式、内容独特性和行业结构等因素。作家和艺术家们普遍倾向于抵制AI公司并控诉其侵权行为，而新闻媒体在版权斗争中则难以形成统一阵线。确保训练数据的合法来源对于AIGC发展非常关键。我们在去年的《从Adobe看AIGC如何重塑创意工具行业》报告中提到，训练数据的版权问题是AIGC商业化落地的重要阻碍。因此，只有解决了这一问题，才能在确保合法的前提下，推动生成式AI的商业落地。从2023年下半年开始，AI数据版权诉讼开始进入白热化阶段，而内容合作则于2024年上半年加速，表明过去一年中版权问题已经成为AI领域的焦点，并且相关法律问题正在被逐步揭示与尝试解决。2024年有望成为AI训练数据版权之争的关键年。关于AI训练数据版权诉讼，国内外尚未达成判例，重点案例的判决将对未...