语料授权这笔生意，为什么定价比想象中难得多？

文 | 文武赵

海外市场已经给出了几个标价。

哈珀·柯林斯与微软达成非虚构图书AI训练授权协议，单本三年5000美元，出版社与作者对半分，各拿2500美元。泰勒-弗朗西斯与微软签了1000万美元的学术内容授权，后续还有三年期的持续使用费。

Anthropic因为从盗版库下载超700万本电子书训练模型，最终支付15亿美元和解金，覆盖约48万至50万部作品，折合每部约3000美元。

这些数字放在一起看，很容易得出一个结论：语料有价，而且不便宜。但如果把同样的逻辑搬到中国市场，会发现定价这件事远比表面复杂。

二

哈珀·柯林斯的5000美元是版权方与AI公司一对一谈出来的授权费，买卖双方自愿，定价逻辑相对清晰。泰勒-弗朗西斯的1000万美元是初始接入费，后续还有非经常性收入，本质上是一笔数据资产的长期许可。

Anthropic的15亿美元则不同。那不是授权费，而是和解金。

加州北区联邦法院法官在裁定中做了一个关键区分：将合法获取的书籍用于模型训练，可能构成合理使用；但从盗版渠道下载并永久存储超过700万本书，构成侵权。

3000美元每部的价格，本质上是对盗版行为的清算，不是对合法训练数据价值的认定。Alsup法官的裁定如果最终生效，合法来源的训练行为可能根本不需要支付版权许可费。这笔和解金标价的是“获取方式违法”，不是“语料本身值多少钱”。

所以，海外市场的“语料价格”并不能直接作为中国市场的参照系，因为两者的定价基础不同，一个是自愿交易，一个是侵权赔偿。

但海外案例仍然提供了一个有意义的参照：当AI公司愿意为合法语料付费时，它们愿意付多少。

哈珀·柯林斯的5000美元单本三年，泰勒-弗朗西斯的千万美元级合同，都是市场化的价格信号。而中国大模型企业目前愿意为语料支付的价格，与这个量级之间存在显著差距。

三

浙江已经开始建设训练场和数据采集平台，但下游企业为数据买单的意愿并不高，实际交易量较少。公开可用的高质量语料，几乎已被大模型吃干榨尽。这句话来自行业一线的反馈，反映的是一个供需双方都不满意的局面。

从买方角度看，中国大模型企业的付费能力与海外巨头不在一个量级。高盛预测中国AI模型的API及订阅收入将从2026年估算的350亿元人民币增长至2030年的8790亿元人民币，这个增长曲线看起来陡峭，但当前基数下的利润空间有限。

大模型公司本身还在亏损阶段，让它们拿出真金白银大规模采购语料，现实约束很强。

更重要的是，大多数中国模型以MIT等宽松许可证分发，允许任何人免费使用、修改和托管模型，甚至用于商业目的。这种生态下，付费获取训练数据的意愿天然偏低。

从卖方角度看，传统内容机构对语料的估值预期不低。

出版社手里有经过三审三校的出版物，新闻机构有严格把关的深度报道，这些内容的制作成本和质量标准都不低。如果参照海外的价格水平来定价，买方觉得贵。如果不参照海外价格，卖方又觉得自己的资产被低估了。

这个预期差的核心在于，中国目前还没有形成语料交易的市场化定价机制。没有公开的交易平台，没有标准化的定价基准，没有足够多的成交案例来锚定价格。买卖双方都在试探，但谁也不知道合理的价格应该落在哪里。

四

即使买卖双方就价格达成一致，版权合规的不确定性仍然会让交易变得复杂。

大模型训练涉及的作品数量极大，逐一获取授权几乎不可能。中国的著作权法对合理使用采取封闭式列举，规定了十三种可以不经许可且不支付报酬的使用情形，将大模型训练纳入其中任何一种都面临解释困难。

杭州首例涉生成式AI平台侵害信息网络传播权案中，法院认为训练阶段使用作品不以再现独创性表达为目的，可被认定为合理使用，但前提是不损害原作的正常使用。

这个判断的边界仍然模糊。

华东政法大学教授王迁曾指出，建立语料库需对海量作品进行复制，若未经许可且未产生新价值，单纯以“学习”为由主张合理使用在法理上难以自洽。

有律师进一步提醒，即便签了授权协议，如果内容来源、权利链条、授权范围或下游使用场景存在瑕疵，企业仍可能面临侵权或违约风险。这意味着，买方在付费之后仍然要承担合规风险，这自然会压低他们愿意支付的价格。一笔授权交易的价格，不仅取决于语料本身的质量，还取决于这笔交易能在多大程度上降低买方的法律风险。如果付费之后风险仍然存在，付费的意愿就会打折扣。

五

并非所有内容在语料市场上都有同等的定价权。

从买方需求看，大模型训练最需要的是高质量、多样性、合法、真实、连贯、无偏见、无害的文本。

能满足这些条件的语料并不像想象中那么多。网络公开语料通用性好、量大，但质量参差不齐，格式难以统一。从数据公司购买的垂域数据质量较高，但数据量少且价格较贵。

真正具备议价能力的语料，大概有几类。

一是经过专业编审的出版物，尤其是非虚构类、学术类和专业领域的文本，内容质量有保证，权利链条相对清晰。

二是具有独特性和不可替代性的内容库，比如金融数据库、医学文献库、法律案例库，这些是通用语料无法覆盖的垂直领域。

三是经过结构化加工和标注的数据集，原始文本的价值有限，加工后的数据资产才具备交易价值。

反过来，大量同质化的网络文本、社交媒体内容、低质量的聚合信息，虽然数量庞大，但在定价上几乎没有优势。当公开可用的高质量语料已经被大模型消化得差不多时，剩下的增量价值取决于内容的稀缺程度和加工深度。

中国大百科全书出版社的实践提供了一种思路：通过知识图谱构建“知识基座”，将权威知识结构化、多模态标注，在此基础上探索“知识授权”的商业模式。从内容提供商转向数据服务商，需要的是深加工能力，而不仅仅是内容存量。

六

“数据资源入表”这件事被讨论了很长时间。截至2026年5月，A股已有130余家上市公司披露数据资源入表事项，合计金额约40亿元，出版业的占比却甚微。2025年A股传媒板块仅有0.66亿元的“无形资产-数据资源”账面。这两个数字说明，绝大多数内容机构还没有把语料资源确认为资产。

原因是，数据资源的权属界定、成本归集、价值评估，在会计实操层面都还没有成熟规则。

入表需要满足资产确认的条件，包括企业控制该资源、预期带来经济利益、成本能可靠计量。对出版社来说，版权归属的清晰度、语料价值的可计量性、未来收益的可预测性，每一个条件都存在不确定性。

即便入了表，也不等于有收入。

从确权到入表是一步，从入表到产生现金流是另一步。目前出版业的语料资产化还处于“深加工提价值、先确权后入表”的早期阶段，真正打通“资源变资产”的最后一公里，需要数据交易所挂牌、标准化定价机制和足够的成交案例来支撑。

语料授权的定价困境，是一个市场尚未形成的问题。

海外已经有了可参照的交易案例和价格标签，但中国市场的买卖双方对语料价值的认知还没有对齐，版权合规的边界还不够清晰，从资源到资产的转化路径还不够通畅。这些环节中的任何一个没有理顺，定价就难以形成共识。

语料有价，但这个价格需要一套完整的市场基础设施来发现。这套基础设施——确权规则、交易平台、定价基准、合规框架，目前还在建设之中。