《Future Internet》：Impact of Generative AI on Author’s Metrics and Copyright Ownership: Digital Labour, Ethical Attribution, and Traceability Frameworks for Future Internet Systems
Chukwuebuka Joseph Ejiyi,
Sandra Chukwudumebi Obiora,
Ijuolachi Obiora,
Gladys Wauk,
Maryjane Ejiako,
Temitope Omotayo and
Olusola Bamisile
编辑推荐：
这篇综述深入探讨了生成式人工智能（GAI）在数字学习环境中引发的深刻变革，揭示了其“无痕”获取与使用人类原创内容所导致的归属与可追溯性危机。为应对GAI带来的伦理挑战，本文创新性地提出了一个名为“Chujoyi-TraceNet（CTN）”的社会技术框架，旨在通过实时追踪、区块链授权和元数据水印等技术，重构AI与人类创作者之间的公平归属与价值分配机制。这项研究为构建一个在人工智能时代更具民主性和问责制的学习与知识生态系统，提供了重要的理论框架和实践路径。
引言
“在人工智能时代，谁拥有知识？”随着大语言模型（LLMs）以前所未有的规模重塑研究、写作和知识传播，这个问题变得日益紧迫。以ChatGPT（GPT-4o）、Gemini（1.5 Flash）和DeepSeek（V3）等为代表的大型模型，通过分析海量文本、生成连贯叙述，极大地提升了信息获取与内容生成的效率，使得高质量知识的创造更加高效和易于获取。然而，尽管技术不断进步，人类贡献者与人工智能在知识创造过程中的真正共生却远未实现。这些模型在运作时，通常吸收了大量公开可用数据，并在不明确链接输出与原始来源的情况下合成信息，这使得人类的知识劳动在由人工智能驱动的知识经济中变得“不可见”，引发了关于知识来源、所有权和价值的深刻伦理讨论。
“无痕”的知识提取：一个案例研究
本文通过一个定性案例研究，揭示了LLMs如何与在线内容交互而不留下任何可测量的痕迹。研究选取了一个2018年建立的数字创意平台，该平台托管了超过300件原创作品，包括散文、诗歌和艺术品。研究者拥有该平台后台分析的访问权限，可以实时观察用户参与度指标。
研究者向五个主流的LLMs（ChatGPT、Gemini、DeepSeek、Pi.ai、Grok-3）提出了标准化的查询，例如“告诉我关于[平台网址]及其最受欢迎的诗歌”。实验发现，尽管这些模型能够生成包含详细描述、甚至直接内容链接的准确回答，但与此同时，平台的后台分析仪表板（见图2）却没有记录到任何访问量、页面浏览量或引荐来源。这意味着，当这些AI模型提取、处理和生成基于该平台内容的信息时，它们没有像普通人类用户那样产生任何可追踪的网络“足迹”。这种“无痕”的交互模式，对于依赖页面浏览量、引荐流量等标准指标来衡量影响、声誉乃至经济价值的内容创作者而言，意味着他们的数字劳动和对AI知识体系的贡献完全“隐形”了。
伦理困境与职业影响
这种“不可见性”暴露了当前LLMs架构中的核心伦理缺陷。首先，归属与可追溯性缺失：与传统的知识传播（通过作者身份和引用实践来确保归属）不同，AI生成的内容常常缺乏明确的来源，导致人类智力劳动的“可见性”被抹去。这不仅削弱了创作者的职业信誉，也引发了关于知识产权和合理使用的伦理与法律关切。对于研究人员、记者和独立内容创作者而言，这种归属感的侵蚀会影响他们的职业发展、声誉和收入。
其次，对知识型职业的冲击：LLMs在提高效率和可及性的同时，也带来了颠覆性的后果，包括潜在的工作替代。在学术界，LLMs可以自动化文献综述、内容摘要甚至研究论文的草拟，可能降低对人类专业知识的需求。在新闻业，AI生成的新闻文章、自动化报道系统和AI驱动的内容个性化，减少了人类作者和编辑的需求。更重要的是，当AI系统在没有适当归属的情况下生成内容，并且无法将用户引导回原始来源时，作者、记者和出版商就失去了关键的可见性、补偿和专业认可的机会，这挑战了知识传播的伦理基础。
构建可追溯的未来：Chujoyi-TraceNet（CTN）框架
为应对上述挑战，本文提出了一个名为“Chujoyi-TraceNet（CTN）”的创新性社会技术框架（其架构概览见图10）。CTN不仅仅是一个技术解决方案，更是一个旨在将伦理、正义和认可重新置于数字治理核心的机制。它设想构建一个系统级的可追溯性基础设施，包含以下几个关键组件：
- 1.
内容识别与哈希：为每个知识单元（句子、段落或文档）计算唯一的密码学哈希值（例如，H(Ci) = SHA-256(Ci)），作为其数字指纹，以建立AI生成内容的起源。
- 2.
概率归属模型：由于LLMs通常从多个来源处理内容，CTN采用一个概率模型来计算某个特定来源对AI生成输出的贡献可能性。这个模型考虑了内容相似性权重（wji）和一个相似性匹配函数（δ），以量化归属关系。
- 3.
实时追踪与水印：框架整合了实时内容交互追踪和动态元数据水印技术，使得作者能够追踪他们的作品在何时、何地、以何种程度影响了LLM的输出。
- 4.
可追溯性评分与分析集成：通过生成可追溯性评分，并集成到标准网络分析仪表板中，使内容创作者能够量化其工作的AI影响力，并获得类似传统网络流量指标的可视化洞察。
从理论到实践：CTN的应用前景
CTN框架超越了单纯的技术溯源。它通过将技术性的归属行为与更广泛的关于数字劳动、平台伦理和社会正义的讨论联系起来，旨在实现人类在AI增强的知识生命周期中的“再整合”。这意味着：
- •
经济可持续性：通过建立清晰的归属链路，有可能将AI驱动的输出所创造的部分价值重新分配给原始内容创作者，支持知识创造的经济可持续性。
- •
政策与治理：CTN为LLM开发者和监管机构提供了政策相关的见解，为在工业4.0和5.0时代构建更民主、更负责任的数字学习生态系统铺平了道路。
- •
迈向人机共生：该框架最终服务于一个更宏大目标：促进人类与人工智能在创意经济中的互利共生，确保技术进步能够赋能而非取代人类的智力劳动。
结论
生成式人工智能的整合是数字知识生产领域一场深刻的社会技术转型。尽管它带来了效率与可及性的承诺，但其当前不透明的运作方式也带来了知识归属、数字劳动价值以及职业可持续性的严峻挑战。本文通过揭示LLMs“无痕”使用人类内容的现状，并系统性地提出“Chujoyi-TraceNet”这一整合了技术、伦理与经济考量的框架，为构建一个更加公平、透明和负责任的人机协同知识未来提供了重要的思考路径和解决方案。在人工智能日益渗透知识生产各个环节的今天，重新构想并建设一个将技术效率与人类创造力、伦理责任深度融合的数字生态系统，已变得刻不容缓。
