AILP — AI 学习许可协议
AI 学习许可协议
AI 能不能学?学到什么深度?用于什么用途?附带什么义务?
Draft v0.1 Schema ↓
01 · 定义
AILP 把 AIRS 光谱落实到“学习”这个具体问题上。它区分了被二元爬虫规则混为一谈的行为:被读取不等于被学习;被检索不等于被训练;微调不是蒸馏;逐字记忆不同于统计性内化。AILP 让发布者在单一机器可读文件中逐维度声明许可——访问、索引、推理输入、嵌入、训练、微调、蒸馏、记忆、输出、署名与补偿——每一项均可为允许、拒绝或需授权。
02 · 目的
- 用维度级精度回答“AI 能否学习这些内容”,而不是一个爬取位。
- 把学习许可(内化进模型)与访问许可(抓取页面)分开。
- 支持多种补偿模式:免费、非商用、需授权、收益分成。
- 让开放成为机器可执行的声明——善意才不会被当作法律不确定性而被丢弃。
03 · 范围
00
access / indexing — 抓取与语义索引
01
inference_input — 推理时作为上下文使用(RAG)
02
embedding — 向量化与检索索引
03
training / fine_tuning / distillation — 模型内化的不同层级
04
verbatim_memory — 是否允许逐字重现
05
attribution / compensation — 引用义务与补偿条款
04 · 机器可读示例
学习许可声明 — /ai/rights-spectrum.json(AILP profile)
{
"version": "0.1",
"protocol": "AILP",
"publisher": "example.org",
"default": {
"access": "allowed",
"indexing": "allowed",
"inference_input": "allowed",
"embedding": "allowed",
"training": "license_required",
"fine_tuning": "license_required",
"distillation": "denied",
"verbatim_memory": "denied",
"attribution": "required",
"compensation": "contact"
},
"contact": "licensing@example.org"
}05 · 限制与边界
- 学习许可的语义在技术上最难验证——AILP 声明意图,尚无法证明合规。
- 维度清单仍是草案;训练、微调、蒸馏之间的边界仍有争论。
- 学习许可的法律效力因司法辖区而异,尚无定论。