AILP — AI 學習許可協議

AI 學習許可協議

AI 能不能學?學到什麼深度?用於什麼用途?附帶什麼義務?

01 · 定義

AILP 把 AIRS 光譜落實到「學習」這個具體問題上。它區分了被二元爬蟲規則混為一談的行為:被讀取不等於被學習;被檢索不等於被訓練;微調不是蒸餾;逐字記憶不同於統計性內化。AILP 讓發布者在單一機器可讀檔案中,逐維度宣告許可——存取、索引、推論輸入、嵌入、訓練、微調、蒸餾、記憶、輸出、署名與補償——每一項皆可為允許、拒絕或需授權。

02 · 目的

用維度級精度回答「AI 能不能學習這些內容」,而不是一個爬蟲位元。
把學習許可(內化進模型)與存取許可(抓取頁面)分開。
支援補償模式:免費、非商用、需授權、收益分潤。
讓開放成為機器可執行的宣告——善意才不會被當成法律不確定性而被清洗排除。

03 · 範圍

access / indexing — 抓取與語意索引

inference_input — 推論時作為上下文使用(RAG)

embedding — 向量化與檢索索引

training / fine_tuning / distillation — 模型內化的不同層級

verbatim_memory — 是否允許逐字重現

attribution / compensation — 引用義務與補償條款

04 · 機器可讀範例

學習許可宣告範例 — /ai/rights-spectrum.json(AILP profile)

/ai/rights-spectrum.json

{
  "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 · 限制與邊界

學習許可的語意在技術上最難驗證——AILP 宣告意圖,尚無法證明合規。
維度清單仍是草案;訓練、微調、蒸餾之間的邊界仍有爭論。
學習許可的法律效力因法域而異,尚無定論。