本研究基于对图片平台Unsplash的自然实验,实证分析了当创作者的作品被用于商业AI训练时,其上传行为的变化。结果显示,被纳入训练数据的创作者显著减少上传频率且更易退出平台,专业摄影师的影响尤为明显。同时,图片的多样性及新颖度均下降,可能导致未来AI生成内容质量下降。提出了包括动态补偿机制和数据市场等政策建议以调和创新驱动与创作者激励之间的矛盾 。
| 用户类型 | 上传量变化 |
|---|---|
| 专业摄影师 | 较一般用户降低上传超50% |
| 标注“可雇佣”用户 | 上传下降近90% |
| 仅一张图片纳入 | 上传下降约22% |
| 多张图片纳入 | 上传下降超45% |
报告标题:《AI and the Dynamic Supply of Training Data》
作者: Christian Peukert、Florian Abeillon、Jérémie Haese、Franziska Kaiser、Alexander Staub
发布机构: 洛桑大学(University of Lausanne)商学院与苏黎世大学(University of Zurich)
发布日期: 2025年5月27日
主题: 探讨生成式人工智能(generative AI,简称genAI)训练数据的供给动态,重点分析数据贡献者(创作者)面对其作品被纳入AI训练数据时的行为变化,及其对AI训练数据量和质量的影响。实证数据源自图片分享平台Unsplash。
核心论点及目标信息:
报告通过研究Unsplash平台上约6百万张高质量图片的贡献者行为,特别是在2020年Unsplash官方公开25,000张图片供商业AI模型训练(LITE数据集)后,分析贡献者的上传行为变化。结果显示被“处理”(即作品被用作训练数据)的贡献者上传数量显著减少,有更高的退出率,尤其是职业摄影师和高贡献用户影响更明显。此外,贡献内容的多样性和新颖性有所下降,可能降低AI模型输出质量。报告呼吁通过动态补偿和数据市场改革,解决贡献者利益与AI发展之间的矛盾,保障训练数据供应链的健康和AI创新的可持续性。,1,2,33]
报告开篇强调数据是AI发展的关键投入,特别是在生成式AI快速普及的大背景下,数据质量与持续供给直接决定AI性能提升的空间。作者指出现有政策框架涵盖隐私、竞争和知识产权法律,且版权法的模糊性导致大量法律争议。针对输入数据的版权限制可能减少版权数据的供给,影响AI模型的表现。此外,作者首次将视角转向贡献者自身的行为反应,强调创作者作为数据供应链的源头,行为变化将对训练数据的持续供给产生内生影响。本研究利用Unsplash释放LITE数据集的自然实验,设计了处理组和对照组,结合文本相似性等自然语言处理方法,全面分析上传行为和贡献内容特性变化。,4,5]
文献综述涵盖了数据利用监管(隐私法、竞争法、知识产权法)对数据需求的影响,及其在保障AI训练数据代表性、无偏和完整性方面的要求。报告强调数据量与多样性对AI性能的重要性,并引述了包括未经授权数据(如盗版图书)对模型性能正面影响的实证研究。特别指向动态环境下持续数据流供给的必要性,并指出目前大多数研究忽视了数据贡献者的行为反应。本节还涵盖数字内容高固定成本的经济特性和AI可能引发的创作激励变化,为后文用户行为变化的分析奠定理论基础。,5]
本研究基于Unsplash平台,该平台以高质量免费图片著称,月访问量达3000万。2020年8月,Unsplash发布了LITE数据集,25,000张可用于商业和非商业AI训练的数据图片,且允许便捷批量下载。研究构建用户面板数据,追踪上传行为和内容质量指标。作者根据摄影设备参数和用户页面徽章等标签识别职业摄影师。设计采用差分中的差分(DiD)模型,处理组为LITE数据集贡献者,对照组为未纳入LITE但满足资格标准的用户,从而控制潜在选择偏差。模型中加入时间和用户固定效应,准确估计被纳入AI训练数据对行为的因果影响。,10,11,12]
被纳入LITE数据集的图片存续率显著高于未入选作品,删除率分别为7-8%与9%;但被处理的用户账户退出率较高,下降约1个百分点。此结果显示用户反应存在异质性,职业用户和高曝光用户更易删除内容,出于保护专业利益考虑,并非所有用户均选择退出平台。,14]
图1显示处理组上传数量在LITE发布后明显下降,长期稳定降低约40%。表3的定量分析确认了此结果,处理组用户每月减少约1次上传,上传活跃度下降30%以上。对照组无显著变化,满足平行趋势假设。敏感性测试采用不同控制组定义及权重调整,稳健性强。此外,与Instagram上传行为对比显示,行为变化仅限于Unsplash平台,表明用户并未整体退出创作职业,而是平台特定反应。,16,17,18,19]
职业与经济动机: 职业摄影师(专业器材用户、“可被聘用”标记)在LITE发布后上传减少更显著。用户加入付费Unsplash+计划的比例提高,这一计划禁止图像被用于AI训练,显示用户试图通过额外手段控制作品用途。,21]
处理强度差异: 拥有多张LITE数据集图片的用户上传下降幅度超过单张用户两倍,且随着2022年后生成式AI如Stable Diffusion普及,用户上传行为进一步下降,显示公众对AI威胁感知的增强强化了反应。,23]
作品类型变化: 上传的“自然”(nature)主题和平台精选(curated)图片上传概率下降30%-70%,表明高质量、热门类别作品上传受影响较大。
平台专属性: 行为变化未扩散至Instagram,说明用户反应针对数据集公开本身而非全行业退出。,24]
运用词向量(Word2Vec)技术对图片关键词构建嵌入向量,计算均值向量后用余弦相似性量度新上传作品与已有库存图片的相似度。分析显示,处理组贡献上传图片的多样性(variety)降低5%,新颖性(novelty)降低约13%-28%。这反映数据集中图片趋于同质化,部分是贡献者构成变化(流失更创新贡献者)导致,而非单一贡献者调整上传内容的行为。结合计算机科学文献,数据流多样性和新颖性的降低预计将导致生成式AI模型产出质量的非微不足道降幅。,27,28,29]
结合经济学和机器学习文献的结果,数据量减少2%会带来约1.4%-2%的AI性能损失;新颖性下降的幅度可能导致4.5%-11.5%性能下降;数据同质化影响准确率5%-22%。综合估计,生成式AI模型的整体准确率或表现因训练数据贡献者减少及数据质量下降而显著受损。合成数据(synthetic data)虽可用于补偿数据缺口,但可能带来“模型崩溃”等风险,且难以完全取代人类贡献数据的动态流动特性,提醒相关政策应谨慎对待单纯依赖合成数据的方案。,30]
本报告通过深入的自然实验设计,首次提供了对AI训练数据贡献者行为的因果实证证据,证明贡献者对作品用于AI模型训练具有明显的行为反应,尤其是职业与高贡献者。结果呈现了训练数据供应链中上游创作者行为变化对数据流量和质量的负面影响,进而对AI模型输出质量产生实质威胁。此发现拓展了AI经济学研究关注点,从需求侧扩展至供给侧,强调制定合理补偿和许可政策的重要性。技术层面合成数据不能完全替代人类生成数据,机制设计更需配合人类激励。未来研究应进一步量化数据流减少对模型性能的具体损失及测试补偿机制设计效用。,34]
内容说明:分析LITE数据集中图片排序(排名)与图片或用户特征的相关性。各项因素包括自动关键词“nature”的置信评分、图片热度、用户上传量等。
数据解读:
内容说明:
数据解读:
结构:
解读:
说明:
解读:
说明:
解读:
报告无财务估值模型,但以训练数据的质量和供给变化对AI输出质量的影响作为核心“价值”分析,定量估算用户行为变化对AI性能的潜在折损:
本研究以大数据为基础,通过差分中的差分设计,系统评估了当平台公开部分用户作品供商业AI训练时,贡献者的行为变化及其对训练数据质量的影响。主要发现如下:
总的来看,报告通过严谨的数据分析和理论结合,强调创作者行为作为AI训练数据质量和数量变化的关键驱动力,是未来政策和企业实践不能忽视的核心变量。有效的激励机制设计和规范建设,是保障AI创新健康持续发展的基石。
以上分析结合定量数据模型结果与文本解释,以及图表的视觉辅证,全面呈现了报告的研究思路、方法、发现与启示,符合实际操作中对深入金融科技和数字经济研究的高标准要求。
2404.18445.pdf