Peter Kirn 从公开音乐训练数据的调查切入，探讨生成式 AI 使用音乐作品训练的来源、透明度、版权授权，以及创作者权益与文化挪用问题。

这大概就是 2026 年音乐科技圈最具代表性的景象：我关注的制作人几乎都在各个平台上分享同一件事，他们在 AI 的音乐训练集中找到了自己的作品。The Atlantic 记者 Alex Reisner 的调查，让这件事不但更容易被看见，也变得更具冲击力。而我认为，真实情况可能比艺术家们目前意识到的还要糟糕得多。

研究与趋势

为什么最近有这么多音乐人讨论这件事？因为 The Atlantic 已把数据库检索变得非常简单，而且不需要付费。Reisner 的调查系列《AI Watchdog》页面顶部设有搜索框，只要输入艺人名称，就能查看自己的歌曲是否出现在用于模型训练的公开数据集中。这些数据集被广泛视为生成式音乐产品的重要基础。

AI Watchdog，The Atlantic，不要与同名非营利机构混淆。

Reisner 在完整报道《被混入 AI 生成音乐的数百万首歌曲》中，详细说明了研究过程及其意义。

我暂且不谈 The Atlantic 近来在外交政策报道上的编辑记录，例如曾出现“杀害儿童或许可以被接受”之类的表述。2026 年的媒体环境里，读者必须有选择地、批判性地阅读不同媒体，才能拼凑出完整图景。但至少在这次报道中，他们做得很出色。

并不是所有音乐人都能在数据集中找到自己的作品，但一旦找到，数量可能惊人。柏林音乐人 Hainbach 仅在一个数据集中就发现了 151 首自己的作品，可以查看他对此的发文。讽刺的是，在一向被认为重视隐私的德国，情况似乎还要更加严重。当然，这又是另一个话题。

该数据集的说明写道：

“该数据集收录了来自 YouTube 的 12320916 首音乐曲目，总时长相当于 91 年音乐。数据集由德国非营利机构 LAION 建立。LAION 专门创建大型数据集，并曾获得 Hugging Face 以及 Stability AI 联合创始人兼前 CEO Emad Mostaque 的资助。”

正如 Reisner 所解释的，这些数据集通常并不直接保存音频文件，而是保存指向音乐的链接。但链接既然公开存在，就难免有产品会利用它们从其他音频或视频网站抓取对应声音。法律判例有限，平台使用政策的执行也不充分，爬虫几乎没有真正的阻力。

所以，这已经很糟糕了，对吗？

实际上，情况可能更糟。现在能查到的内容，只是研究人员公开分享的资料，只是整座冰山露出水面的那一部分。

掠夺与搜刮

如果你的音乐没有出现在搜索结果里，先别急着松一口气，也不用因此失望。这次调查列出的，只是沿着研究论文的脚注就能找到的公开案例。我们知道，许多产品并不披露自己使用了哪些训练集。所有人都应该核实数据来源，而那些愿意公开信息的公司，有时反而会暴露出更令创作者不安的决定。

先看 Google。它只是少数已经浮出水面的案例之一，未知部分显然还要大得多。

Google 发布 Lyria 3 时，随附了一份关于责任机制的声明。到这里为止，一切似乎都不错，其中包括：

• 避免多种不道德用途；
• 设置护栏，理论上避免模型直接模仿提示词中点名的特定艺人；
• 承认这些护栏可能失效，因此会进行某种比对或检查；
• 使用 SynthID 为输出内容添加水印，标记其为生成式内容；
• 以较宽泛的方式承诺遵守知识产权与隐私权。

很好，不作恶，听起来都不错。

但问题来了。Google 同时表示，它正在“使用 YouTube 和 Google 根据服务条款、合作协议及适用法律有权使用的材料”。

大多数人看到这句话，都会理解为：“Lyria 的训练素材里包含你上传到 YouTube 的音乐。”这不只包括用户自己直接上传的内容，也可能包括用户或唱片公司通过数字服务提供商发送至 YouTube 的音乐。音乐人已经因此发起诉讼。

Google 的回应更令人不安：在试图驳回诉讼时，它既不确认，也不否认是否使用了这些内容训练模型。听起来就像默认承认；随后又表示，用户接受服务条款时，已经授予 Google 这样做的权利，这几乎又进一步印证了外界的猜测。

The Atlantic 的搜索引擎当然很有价值，但 Google 的说法也意味着，你甚至可以直接搜索 YouTube Music，找到可能被用于模型训练的音乐。

当然，Google 是一家庞大的公司。Magenta 团队告诉我，他们在 Magenta RealTime 2 项目中使用的是库存音频和 MIDI，而不是用户的音乐。但想想看：你曾在哪些平台上传过音乐，又在哪些用户协议上点过“同意”？Google 只是其中最显眼的例子。

再加上那些从未公开披露的“暗中”数据使用方式，整件事就更加令人不安。不过，也需要提醒一点：如果讨论只盯着公开数据源，反而可能让愿意公开信息、支持开放研究的人受到惩罚。

Suno 方面也公开说明过与 Google 类似的限制机制，但和 Google 一样，它没有透露训练集具体包含什么，同时将生成结果视作实质上的原创内容。仅这一点，就足以引发关于这些模型究竟在做什么的争议。

The Atlantic 的搜索工具当然值得肯定，但 Google 的表态同样提醒我们：在 YouTube Music 中搜索，也许就能找到可能进入训练集的素材。

我认为，这组报道获得的媒体关注，加上公开数据的可访问性，可能引发另一场集体诉讼。可以参考近期作家起诉 OpenAI 和 Anthropic 的案件，例如 Bartz 等人诉 Anthropic PBC 一案。我的书也在那批数据中。

其实并没有那么智能

这件事之所以重要，是因为当下所谓的“生成式”AI 模型，本质上都在进行预测。AI 是一个涵盖极广的领域，从马尔可夫链，到将音频采样映射为大型云端可视化的工具，都可以被归入其中。

但人们对生成式 AI 和“AI 垃圾内容”的抵触，针对的是其中一种特定路径。我认为，人们并不是单纯抗拒新技术，而是在敏锐地察觉：人类的智能，与被营销为“AI”的东西之间，存在根本差异。

即使没有数据科学或神经科学背景，也能看出这一点。AI 模型输出的是预测性的、规范化的结果，而人类创作音乐的方式显然不同。

Suno 等平台上的音乐模型，是通过复现已识别的模式来生成声音的。尽管行业喜欢使用“训练”“学习”“智能”这些词，它们与人类创造力的实际运作方式关系并不大。

只要行业进入技术层面，就会改用“推理”这个词。Google 等公司面对大众的说明，仍然带有危险的人格化色彩，比如“训练完成的模型停止学习并开始工作，将知识转化为现实世界的结果”。但继续读下去就会发现，它们真正描述的其实是预测。

这是一种极其复杂的预测，当然不只是“自动补全”。但从数学关系上说，它与自动补全属于同一个家族，也比人类创造力更接近自动补全。听听一个孩子即兴哼唱脑海里自己想出的旋律，你就能感受到其中的差异。

你不用期待数据科学家或工程师完全解释清楚这种差异，因为那并不是他们的专业领域。你可以听我这个音乐学者的说法，但我也不是脑科学专家。比如，你可以参考拥有心理学博士学位、从事脑科学研究，同时曾与 Prince 建立专业合作关系的 Susan Rogers 的观点。

请看视频（原视频地址：https://youtu.be/NqSnuIg0iac）

此外，理解 Token 也很重要。现在很多人看到 Token，会想到 Claude Code 订阅或其他服务里的计费单位。但在大型数据模型中，Token 原本指的是将材料切分为更小单元，并据此进行预测输出的方式。

对于音乐模型而言，实际音频素材同样会被 Token 化，被切成更细小的片段。Google 等公司的 AI 工程师如果看到这篇文章，并对我的描述提出修正，我也会继续分享。

NVIDIA 也对这一过程做过说明。

于是，我们面对两个问题。

• 第一，数据集会深刻影响输出结果，因此训练素材的来源、创作者是否同意、以及相关规则是否透明，都至关重要。
• 第二，如果我们把整个人类经验都倒进庞大的数据资料库，社会对于作者身份和原创性的理解，可能会逐渐消失。

这是一种两难局面。如果输出过于接近原始作品，它很可能会被视为抄袭，而且这种判断是合理的；如果输出远离原作，问题依然存在，因为作品原本承载的意义已经在过程中流失。

更令人担忧的是，就像今天的文字与图像一样，我们正迅速进入一个由大量“差不多够用”的无意义音乐构成的世界。“垃圾内容”正好可以帮助理解这一现象：如果所有内容都改由生成式系统完成，它可能把一切都搅成麦乐鸡块，或者说得更贴切一些，搅成《绿色食品》里的黏稠浆糊。

Reisner 举过一个例子：捷克花样滑冰选手伴着 New Radicals 的《You Get What You Give》表演，但音乐完全不对。歌词似乎还在，原有的韵律、语调和音乐语境却消失了。可他们仍觉得这样“已经够好了”。这正是这项技术真正具备颠覆性力量的原因。

当然，这个案例未必足以直接说明音乐训练集造成的影响，因为其中主要暴露的是歌词问题。但歌词更容易理解，也更容易揭示底层的 Token 结构。模型会吐出完整、可辨认的文本片段，却破坏了让这些文字产生意义和力量的音乐语境。

把这一点换到音乐素材上思考，你就能看到问题：有时，模型会输出被扭曲的原始语料片段；即使没有直接输出原作碎片，结果往往也好不到哪里去，只会变成音乐界的“粉红肉泥”。

歌词展示的是第一个问题，即模型直接重复输入内容；音乐展示的则是另一个问题，即模型生成无意义、平淡、空洞的声音，甚至不如一张普通的 90 年代金曲歌单。

歌词同样涉及许多实际应用场景。例如，规模庞大的 SLEEPING-DISCO 9M 数据集，就是通过抓取 Genius 歌词数据库中的歌词及相关元数据建立的。研究人员的论文说明了这一过程。

对于生成式音频而言，有人可以利用这些数据，再从 YouTube 等网站抓取对应音频。SLEEPING-DISCO 9M 能提供额外的质量和元数据控制，而不只是从 YouTube 随意抓取音乐。

但关键在于：将这些数据库用于生成式 AI，违反了这些研究项目的许可条款与原始意图。

这些本是研究项目，Creative Commons 许可通过“禁止演绎”和“非商业”条款，明确限制此类使用。因此，任何以这种方式使用数据集的 AI 产品，不只是在滥用原始音乐素材，也可能违反了所使用数据集自身的授权协议。

再回到 Token 的金融价值。音乐人用一生创作，最后却可能只是在为训练集提供原料。作品被切成无数碎片，每一个小片段都成为投资者和科技巨头的获利工具。这几乎是极端资本主义最糟糕的噩梦。

唯一的好消息是，整件事的成本高得惊人，人们或许最终会得出与我相同的结论：它根本不值得花这么多钱。

然后，这整套系统，包括数据中心、大型科技公司以及推动它运转的金融资本，都会崩塌。

终极挪用

不用多说，这件事又一次迅速演变为对阶级与劳动的提取，进一步拉大了富人与穷人之间，或者说富人与其他所有人之间的差距。它同样与反黑人种族主义及殖民主义有关，尤其是在美国。

如果你愿意深入追溯，会发现美国有不少旧歌曲与文化母题，都能一路追溯到黑脸表演和吟游诗人秀。是的，我看到你了，米老鼠。

我会克制住继续深入这个话题的冲动，留待以后再谈。但我已经记不清多少次读到或听到生成式 AI 音乐的报道：记者感叹“这太逼真了”，甚至用“灵魂”来形容，然后播放一段明显在模仿黑人艺术家的 AI 音乐。

机器里的幽灵，那种橡胶般的人造“灵魂”，再次来自黑人的灵魂，当然会是这样。

上文提到了 Jaymie Silk 的歌曲数据。他引用了 SZA 的话，直接指出系统性种族主义依然是问题核心：

SZA 表示，Diplo 持有 Suno 的股份。Suno 是目前最大的 AI 音乐生成平台之一。

“我们只占美国人口的 13，却以自己的声音和视角影响着整个世界。我还从没听过一首所谓的‘白人 AI 歌曲’。无论在立法、医疗还是创作领域，我们都没有保障，却是最容易被窃取的一群人。”

Jaymie 还将这件事与数字殖民主义联系起来，并直指其中的种族问题：

AI 音乐需要训练数据。

世界上节奏最密集、情感最清晰、文化负载最丰富的音乐，是黑人音乐。

House、灵魂乐、嘻哈、Afrobeats、Footwork、R&B。

这些都是数代人在经济压力与结构性掠夺下创造出来的成果。

种族、阶级及其他不平等问题，总是彼此交织。同样的逻辑，也适用于每一位处于经济边缘、健康状况不佳，或因其他原因被边缘化的音乐创作者。

你完全可以预见，大型唱片公司会为旗下头部艺人争取保护或补偿，而世界其他地区，尤其是所谓的全球南方，很可能再次被排除在外。看看近期 AI 行业与音乐产业达成的协议就知道了：他们会拿走战利品，其他人则只能承担损失。

所以，欢迎来到生成式 AI 的噩梦。

我认为，这让坦诚讨论和透明度变得更加重要。我们应该继续深入了解各种 AI 应用，准确理解它们如何运作；也应该尽量以客观而非党派化的方式审视其影响。但这些影响，可能会让你得出一些几乎无法回避的结论。

换句话说，我们需要更多像 The Atlantic 这样真正追查训练数据来源、用途与责任归属的调查。

“You got the music in you” 最终成了一句意外具有预言意味的话。这里大概还能找到关于 Token 和推理的隐喻，但我就先停止这场长篇抱怨。

我写得很仓促，而我之所以写了这么长，是希望它能引发更广泛的讨论。这些报道进一步提出了许多问题：究竟哪些数据集被使用？它们如何被使用？又是谁在使用？其中可能涉及大量许可违规，违规的不只是音乐作品本身，也包括数据集。

Google 之所以受到更多关注，是因为它至少把自己的做法置于其认为属于用户协议范围的框架内，即便这样做可能激怒自己的用户。