训练数据与同意

模型学过什么，决定你能拿它做什么，也决定谁本该被问过

相关

公有领域版权采样清权

问题

"这个模型是用什么训练的"，多数产品页答不完整，只给"数百万首曲目""授权与公开数据"。对使用者来说，这不是八卦，而是两件实际的事。输出能不能商用，你上传的素材会不会进入下一轮训练。两件事都取决于数据从哪来、有没有人同意过。

原理

训练数据至少分三层。谱面与 MIDI 是符号层，只有音高、时值、力度。录音是音频层，带演奏者的触键、气息与房间。歌词与元数据是文本层。三层的权利不同，需要征求同意的对象也不同。符号层的民调常标着"传统"，但"传统"不是授权，只表示没有已知权利人，采集者、编曲者、译配者都可能是具体的人。音频层还叠着表演者与录音制作者。模型把三层混在一起学，输出里分辨不出来源，你也就无法从结果反推它学了谁。

做法

向供应商要四样东西，并且落到纸面。训练数据的类别与时间范围，不接受"公开可得"这类笼统说法。有没有过滤与退出机制，权利人能否要求移除。你的输入是否用于训练，能否关闭，关闭后功能是否受损。商用授权的范围，是否覆盖你所在地区与发行渠道。自己这边也留档，采购日期、条款快照、对方答复邮件，都放进项目文件夹。条款会改，存的是当时那一版。跨境项目还要注意，不同法域对数据与人格利益的规则不一样，具体边界向律师核实。

听什么

在《裸体歌舞》第一首的谱面里听只有音符时缺了什么，触键与踏板都不在文件里；在肖邦夜曲作品37之2的录音里听同一份谱被演奏成什么样，那是另一层数据；在采集者署名的角笛舞曲里听一条旋律背后的具体来源，再对比只标"传统"的克莱兹默曲调，后者连该问谁都不清楚。

事实来源

• 训练数据的层次划分，依公开模型文档与数据说明核对，未抄原文
• 版权与人格利益对同意的要求，依公开法律评论归纳，未抄文本

仅用于核查事实，正文为原创撰写。