生成式AI在创意工作中的治理：同意、署名、补偿及更多

研究背景与问题

• 发现的问题或挑战: 作者指出生成式AI在未获得创作者同意的情况下使用创作者的作品进行模型训练，同时不给予创作者归属或经济补偿。这带来了职业声誉受损、经济损失、剽窃风险和工作机会减少等问题。这种未经许可的行为引发了多起诉讼，还导致相关条款和法律的潜在违规。
• 问题的重要性: 生成式AI对各类创意工作者（如视觉艺术家、设计师、作家和程序员）造成了严重影响，这不仅损害了他们的职业生涯，也引发了关于版权、归属权以及使用生成式AI所涉及道德问题的广泛争议。此外，生成式AI还威胁到创意产业的整体可持续性和质量。
• 研究动机与相关工作: 现有文献虽然探讨了生成式AI对创意工作的影响，也提出了 "3C"（同意、归属、补偿）理论作为原则框架，但缺乏实证研究来评估创意工作者对这一框架的实际看法以及更广泛的AI治理需求。

解决方案

• 提出的方法或解决方案:
  1. 提出了基于“3Cs”(Consent, Credit, Compensation)的框架，探讨了如何通过改善同意、归属和补偿来提升生成式AI治理的公平性。
  2. 建议在政府和私营领域（如公司、发行商、平台）中制定具体的AI治理政策，作为利益相关方之间的桥梁。
  3. 识别并提出了“3C框架”的复杂性和局限性，同时补充了创意工作者的其他关键诉求。
• 创新之处:
  1. 通过对20名创意工作者的深入访谈，捕捉了现实中的具体困惑，而非仅停留在政策或理论层面。
  2. 提出了动态同意（随着技术演变重新征求同意）的理念，弥补了传统“单次同意”的局限。
  3. 深入探讨了AI在创意工作领域的权力动态问题，包括信息不对称、雇佣模式差异及目前缺乏AI治理框架的现状。
• 实施步骤和关键技术: 研究针对视觉艺术、写作和编程三个领域的创意工作者，运用了半结构化访谈法，并通过迭代的主题分析法梳理了121个代码，归纳为13个主题，以系统揭示创意工作者的现实需求和治理困境。

研究成果

• 具体成果:
  1. 证明“3Cs”框架在实际应用中的复杂性：同意并非总是自愿，归属存在潜在的名誉风险，补偿需要应对多样化的工作模式差异。
  2. 发现创意工作者希望参与AI治理相关的决策中，但现有平台和公司往往没有提供足够的支持。
  3. 提出了更广泛需要探索的AI治理原则，例如：加强区分AI生成与人类创作作品的标签机制、改善平台的信用及管理。
• 与现有方案的比较:
  1. 当前的AI治理框架（如《欧盟AI法案》）虽然强调高风险领域的管理，但更强调AI的应用，而非涉及AI训练所需的数据和相关利益分配的治理。
  2. 提出的建议填补了现有治理策略在创意工作权利保护上的空白，同时为创意工作者与AI公司之间的权力不平等提供了反思。
• 实验或评估结果:
  • 研究显示，与工作项目相比，创意工作者对个人项目的保护意识更强。
  • 雇员和自由职业者对生成式AI影响的关注程度存在差异，自由职业者表现出更多即时的经济压力，而雇员更担忧未来职业路径的不确定性。
• 局限性与未来方向:
  1. 研究仅涵盖设计、写作和编程领域，未来可以探讨音乐、表演艺术等其他创意行业的需求与应对策略。
  2. 由于样本规模较小（20人），未来可以通过更大范围的调查来验证倾向和细分行业差异。
  3. 在3C之外，补充探索如何具体制定动态同意机制与数据分红方法，确保创意工作者获得持续且公平的回报。

这项研究为生成式AI的伦理治理提供了重要见解，并强调了治理政策需要真正将创意工作者置于决策中心，以设计更公正的AI生态系统。