版权数据（Copyrighted Data / IP Assets）
拥有大规模优质文本、图像、音视频等版权内容的企业，为大模型训练提供高质量原始语料。随着数据版权意识觉醒和监管趋严，合法授权的版权数据成为稀缺资源。
定义
具有明确版权归属、可通过授权合规使用的训练数据。区别于公开网络爬取的"灰色数据"。
为什么在 AI 时代崛起
- 版权诉讼频发：纽约时报诉 OpenAI、Getty 诉 Stability AI、唱片公司诉 Suno 等
- 政策收紧：EU AI Act 要求训练数据合规来源公开
- 数据资产化 — 拥有大规模合规数据的公司，议价权快速提升
标志性事件
- 2024：2024-Reddit与Google数据授权协议，$6000 万/年 — 标杆事件
- 2024：Getty Images 与 NVIDIA 合作 Generative AI by Getty
- 2024：Shutterstock 与 Meta / NVIDIA / OpenAI 多家签数据授权
- 2024：阅文集团 向多家中文大模型公司授权
- 2024：视觉中国 推出 AI 训练数据授权业务
主要玩家
国际
- 文本 UGC：Reddit（社区）
- 图片视频：Getty Images / Shutterstock
- 新闻：纽约时报、AP、Axel Springer、Wall Street Journal（多与 OpenAI 等签约或诉讼）
- 学术：Elsevier、Wiley、Springer Nature（学术出版商）
- 音乐：环球、华纳、索尼（与 Suno、Udio 诉讼）
中国
商业模式
- 数据授权年费（典型：Reddit $6000 万/年）
- 数据集买断（一次性）
- 按使用量分成（与生成式 AI 产品共享收入，类似 Spotify 模式）
- 合规 AI 工具联合开发（Getty + NVIDIA / Shutterstock + NVIDIA）
与 AI 产业链的张力
- AI 公司：希望低价 / 免费获取尽可能多数据
- 版权方：希望最大化授权收入
- 诉讼是议价工具：纽约时报诉 OpenAI 推动 OpenAI 与多家出版商签约
- 合成数据是博弈杠杆：版权方议价过高，AI 公司会转向 合成数据
相关概念
∈ belongs_to::4-01-数据引擎