为了提升大模型能力，互联网上的公开数据能用的都已经用于训练了。新数据哪里来？大厂盯上了私有数据。
媒体类的容易理解，比如报刊、杂志、电视节目等，版权属于媒体公司，只要达成协议，支付费用，拿来训练是没问题的。
社交媒体上用户生成的数据（UGC）呢？这个版权属于谁？平台能不能把这些数据卖给第三方用于大模型训练？按理说，这些条款要写在用户协议和隐私政策里。问题是，现在流行的社交媒体平台都是在大模型出现之前产生的，那个时候的条款里可不会包含这样的用途。这就有很大的模糊地带了。
最近接连发生几个事，都和这个相关，挺值得思考一下的。
Stack Overflow
Stack Overflow 是程序员的问答天堂，很多程序员入门、进阶都是从这个网站开始的，甚至有程序员戏称自己的工作就是每天去 Stack Overflow 上拷贝代码。今年5月，OpenAI 和 Stack Overflow 达成了一项协议，将使用该网站的内容来改进其 AI 模型，同时也会在 ChatGPT 中引用这些内容。
许多用户认为这一合作是对他们劳动成果的盗窃，而且他们无法选择退出。一些用户试图删除或修改他们在 Stack Overflow 上的回答，以表达对这一合作的不满 🤦♂️ Stack Overflow 则采取了包括封号在内的措施来阻止这些用户。
Slack
相比 Stack Overflow，Slack 要使用用户的消息训练 AI 更让用户感到害怕。要知道 Slack 里可都是公司内部聊天信息，很多都是保密的。用户尤其不满的是，想选择退出还要给 Slack 发邮件申请，并且隐私政策中含糊其辞。在 Hacker News 上的一篇热门帖子之后，这个问题引起了关注。Slack 澄清说，虽然它将客户数据用于某些功能，但它不会使用这些数据来训练其单独收费的“Slack AI”产品 🤷♂️
Reddit 的故事则是另一个角度。今年3月，Reddit 与 Google 达成协议，允许 Google 使用自己网站数据训练 AI，年费 6000万美金。5月，又与 OpenAI 达成类似协议。此新闻一出，Reddit 股价上涨 14%。
不得不承认，当一个用户在平台上辛苦创作的内容被平台转手卖给第三方时，用户情感上会有一种被出卖的感觉。但这里的根本问题不是隐私（当然像 Slack 那种企业内部信息确实是隐私），而是利益分配。也就是说，用户创造的内容以一种直观的方式给平台带来了经济利益，但是用户没有分享到这部分利益。
理论上，平台可以设置某种与用户的分成机制，比如根据内容获赞的数量给予奖励，但实际操作中可能比较困难，内容难溯源，价值难评估。还可以考虑设置专项基金奖励创作者。或者利用区块链来标识用户内容，让创作者赚取 token 等等。
我们一直说数据有价值，在广告模式下，用户很难直观感受到有多大价值。现在这样明码标价直接出售，给用户造成了很大冲击。因此，社交媒体如果考虑把平台上的 UGC 出售给 AI 公司作为训练数据的话，最好想一想怎么与用户（尤其是创作者）分配利益，否则可能面临像 Stack Overflow 用户那样的极度不满。