MIT 研究：AI 模型越大越難溯源訓練資料，版權訴訟恐更難解

MIT 的研究指出，AI 模型的規模越大，要追溯特定輸出對應到哪些訓練資料就越困難。這個技術特性將使當前的 AI 版權訴訟在舉證上變得更為棘手。

要理解這個困難的本質，得先看模型學習的方式。訓練過程並非把資料儲存在模型中，而是透過調整數十億乃至上兆個參數，讓模型捕捉資料中的統計規律。任何一筆訓練資料的影響，都被分散到大量參數的微小調整之中；而任何一個輸出，也是所有參數共同作用的結果。這種「分散式表示」讓資料與輸出之間不存在可直接追蹤的對應關係。

模型規模擴大會加劇這個問題，原因在於稀釋效應。當參數數量與訓練資料量同步增加，單筆資料對整體參數的影響比例便下降；同時，模型的泛化能力提升，意味著它更傾向於學到抽象的規律而非記憶具體樣本。從能力的角度這是進步，但從溯源的角度，它讓「這個輸出來自哪筆資料」這個問題變得更難回答。

這對版權訴訟的影響相當直接。著作權侵害的認定通常需要證明「接觸」與「實質相似」——原告需要說明被告使用了其作品，且產出的內容與該作品有實質相似性。在傳統的複製情境中，這相對容易舉證；但在 AI 生成的情境下，若無法建立特定輸出與特定訓練資料之間的連結，「接觸」的證明便面臨技術上的障礙。

技術界對此發展了幾種溯源方法，但各有限制。影響函數（influence function）試圖估算移除某筆資料會如何改變模型輸出，但在大規模模型上的計算成本極高且估計誤差顯著；成員推論攻擊能判斷某筆資料是否曾出現在訓練集中，但準確度隨模型規模擴大而下降；資料浮水印則需要在訓練前預先植入，對已完成訓練的模型無法適用。

這使得爭議的解決可能轉向其他路徑。若逐案的溯源舉證不可行，法律框架可能轉向以「訓練資料的取得方式是否合法」作為主要判準——也就是把焦點從輸出端移到輸入端。這種轉向已在部分訴訟與立法討論中出現，其實務意義是資料來源的紀錄與授權證明將成為業者的必要合規工作。

對產業的影響則是資料治理的重要性上升。若無法在事後溯源，那麼在事前建立完整的資料來源紀錄、授權證明與使用範圍文件，便成為降低法律風險的主要手段。這也解釋了為何近期多家業者開始與內容持有者簽訂正式的授權協議，而非依賴合理使用的抗辯。

後續觀察重點包括：相關訴訟中對舉證標準的認定、資料溯源技術的實用化進展，以及立法對訓練資料揭露要求的規範方向。