Nature曝惊人内幕：论文被天价卖出喂AI！出版商狂赚上亿，作者0收入

主要观点总结

本文探讨了全球数据危机下，学术出版商向科技公司授权使用学术论文数据训练AI模型的现象。文章指出，很多学术出版商已经与科技公司签署协议，允许其获取论文数据用于AI训练，引发了版权和使用的争议。同时，大型语言模型（LLM）需要大量数据进行训练，学术论文因其长篇幅和高信息密度成为有价值的数据来源之一。但这也引发了关于版权、商业用途和学术研究的复杂问题。 文章还介绍了数据集的重要性和争议，包括LLM训练中使用多模态数据的趋势，以及利用arXiv论文库构建多模态数据集的研究。此外，文章还讨论了证明论文被LLM使用的困难，以及版权争议和商业用途的模糊界限。最后，文章提供了一些解决方案和研究方向，包括利用版权陷阱等方法来识别论文是否被使用，以及构建更加公平的数据使用体系。

关键观点总结

关键观点1: 学术出版商向科技公司授权论文数据引发争议

学术出版商授权科技公司使用论文数据训练AI模型，引发版权和使用问题。各大公司开始真金白银地出价购买高质量数据集。

关键观点2: LLM训练需要海量数据，学术论文成为重要来源

大型语言模型（LLM）需要在海量数据上进行训练，学术论文因其长篇幅和高信息密度成为有价值的数据来源之一。但在训练中可能存在版权问题。

关键观点3: 证明论文被LLM使用存在技术难题

目前存在技术难题来识别论文是否被用于训练AI模型。计算机科学家介绍了一些方法如使用版权陷阱来识别，但仍存在困难。

关键观点4: 多模态数据在LLM训练中的应用

利用arXiv论文库中的多模态数据构建数据集的趋势，以及这种趋势对LLM训练的影响。包括构建ArXivCap和ArXivQA数据集的研究案例。

关键观点5: 版权争议和商业用途的模糊界限

在出版商看来，如果开发者在训练中使用了受版权保护的文本而没有获得许可，则可能构成侵权。但另一方认为大模型并没有抄袭，只是从训练数据中获取信息。存在如何划清商用和学术研究用途的复杂问题。

文章预览

全球数据告急，怎么办？ 论文来凑！ 最近，Nature的一篇文章向我们揭露了这样一个事实：连科研论文，都被薅去训AI了…… 据悉，很多学术出版商，已经向科技公司授权访问自家的论文，用来训练AI模型。 一篇论文从酝酿idea到成稿，包含了多少作者日日夜夜的心血，如今很可能在不知情的情况下，就成为训AI的数据。 这合理吗？ 更可气的是，自己的论文还被出版商拿来牟利了。 根据Nature报告，上个月英国的学术出版商Taylor & Francis已经和微软签署了一项价值1000万美元的协议，允许微软获取它的数据，来改进AI系统。 而6月的一次投资者更新显示，美国出版商Wiley允许某家公司使用其内容训模型后，直接一举豪赚2300万美元！ 但这个钱，跟广大论文的作者是半毛钱关系都没有的。 而且，华盛顿大学AI研究员Lucy Lu Wang还表示，即使不在可开放获取的 ………………………………