公共天才的私有攫取

补偿的全球范围

• 几位评论者反对仅限美国的“语料基金”，认为训练数据和文化贡献都是全球性的，因此任何补偿或再分配也应是全球性的。
• 提议包括由联合国运营的数据公地，以及对 AI 公司征收全球性税费，并将再分配重点放在减贫上；但也有人指出联合国缺乏执法能力、存在腐败和政治扭曲（例如台湾被排除、威权政权）。

替代性的再分配机制

• 与其按人头发放，不如：
  • 对能力更强的 AI 模型征收更高税率，用于资助公共基础设施、医疗保健或负所得税。
  • 采用乔治主义式政策，针对土地和其他缺乏弹性的资源征税，而不是泛泛的 UBI。
• 也有人认为，资金应当强化“知识生态系统”（发表开放研究、支持开源、维持社区），而不是给公民发放小额现金转移。

知识公地与激励

• 有人担心 AI 既消耗又破坏公共知识池：
  • 如果 AI 生成的垃圾内容被重新摄入，网络和代码库都可能面临“模型崩溃”。
  • 如果创作者的工作只会让大型实验室获利，并吸引低质量的 AI 驱动贡献，他们可能会停止开源或发表。
• 也有人质疑，“知识”本身是否真的受损，还是只是某些商业模式和收入受损。

公共产品 vs 私人攫取

• 围绕前沿模型是否构成“公共产品”展开争论：它们是可排他且由私人公司控制的，因此不符合标准经济学定义。
• 有人认为当前的免费使用层只是营销，不是公共服务；他们希望有法律保障，或强制公开发布前几代模型。

开源、蒸馏与执法

• 对开权重模型和真正开源模型的作用存在分歧；有人认为它们的存在依赖大型前沿实验室，也有人认为它们是在扩散收益。
• 有提议称，如果允许在受版权保护的数据上训练，那么就应合法允许不受限制的蒸馏，实际上等同于否认模型权重享有类似版权的保护。

版权、合法性与现实政治

• 有观点认为当前 AI 训练很可能侵犯版权，但会因地缘政治竞争而被容忍（“如果我们不做，别人也会做”）。
• 讨论还涉及合理使用：能否产出相似作品与是否造成市场伤害；有人担心 AI 可能摧毁原创作品的市场，并迫使法律改变。

AI 的意义与“智能”

• 持续争论的焦点是，LLM 是否体现了真正的通用智能，还是只是缺乏世界模型和真正推理能力的高级模式匹配器。
• 有人预计 LLM 会成为一种基础公用设施；也有人认为，与贸易、人口结构或气候等问题相比，它们的社会重要性被过度炒作了。