Как музыканты могут получать деньги за обучение ИИ

Музыканты привыкли получать деньги каждый раз, когда используется их творческое произведение. В сфере продаж виниловых пластинок/CD, стриминга, радио, кавер-версий и многочисленных ниш, таких как караоке, существуют договоренности о том, что означает «использование». В основе этого лежит простой экономический принцип: чем чаще что-то используется, тем больше денег это приносит.

Генеративный ИИ усложнил определение использования. С одной стороны, можно утверждать, что использование фрагмента музыкальных обучающих данных происходит только один раз, в момент обучения. С другой стороны, создатели будут правы, жалуясь на то, что творческая сущность их работы сохраняется в структуре модели, используемой каждый раз, когда модель выдает результат.

Сейчас такие компании, как Sureel и SoundVerse, работают над воссозданием важнейшего экономического принципа, мотивирующего творчество в эпоху искусственного интеллекта. Подобные инициативы направлены на то, чтобы превратить индустрию генеративного ИИ из страны, виновной в «крупнейшем в истории акте кражи авторских прав», в индустрию, гармонично сосуществующую с трудолюбивыми художниками.

Авторские отчисления за музыку в эпоху искусственного интеллекта

Компания Sureel, стартап, недавно приобретенный Warner Music Group, заключила партнерское соглашение со шведским агентством по защите авторских прав STIM для изучения возможности получения вознаграждения создателями музыки за использование их произведений для обучения инструментов генеративного искусственного интеллекта. Программное обеспечение Sureel маркирует онлайн-медиафайлы, такие как музыкальные файлы, инструкциями, определяемыми владельцем. Инструкции указывают, может ли компания, занимающаяся ИИ, свободно использовать медиафайлы для обучения, ограничить их влияние на конкретный обучающий набор или полностью отказаться от их использования. Затем программное обеспечение отслеживает, как компания, занимающаяся ИИ, использует медиафайлы для обучения, и устанавливает соответствующие лицензионные сборы.

Между тем, основатели компании SoundVerse, занимающейся разработкой искусственного интеллекта для музыкальной индустрии, «отвергают разовые выплаты роялти как недостаточные и выступают за постоянное участие артистов в жизненном цикле ИИ», — написали они в аналитическом отчете 2025 года. Они утверждают, что каждый раз, когда система генеративного ИИ выдает результат, определенные фрагменты обучающих данных играют большую роль, чем другие. Если система выдает музыку, похожую на джаз, то джаз в обучающем наборе, вероятно, внес больший вклад, чем, скажем, народная музыка. Следовательно, можно дифференцированно вознаграждать каждый фрагмент обучающих данных за каждый результат.

Сопрезидент компании Sureel Бенджи Роджерс сказал мне: «Атрибуция — это не воссоздание старой экономической модели. Это впервые измерение того, что старая экономическая модель лишь приблизительно описывала».

Подобная оценка влияния должна выходить за рамки поверхностного измерения степени сходства обучающих данных с результатами работы ИИ. Задача состоит в том, чтобы установить причинно-следственную связь, или взаимосвязь между обучающими данными и обученным ИИ, говорит генеральный директор Sureel Тамай Айкут.

Однако даже если индустрия ИИ достигнет этого, это может подтолкнуть людей к созданию музыки, направленной на максимизацию авторских отчислений за использование обучающих данных. Хотя все творческие рынки порождают новые стимулы (например, потоковая передача музыки привела к сокращению вступлений в песнях), индустрии не помешала бы еще одна экономическая структура, которую легко обмануть, когда созданная кем-то пародия отвлекает авторские отчисления от оригинальных произведений творческого самовыражения.

СВЯЗАННЫЕ СТАТЬИ: Генеративный ИИ сталкивается с проблемой визуального плагиата

Определение влияния конкретного музыкального произведения на созданное музыкальное произведение, если это вообще является четко определенной проблемой, может потребовать применения более сложных принципов теории информации или моделирования фактической исторической роли и влияния отдельных произведений. Айкут предполагает, что в тщательно разработанных системах атрибуции более необычные и необработанные музыкальные произведения могут даже обладать большей внутренней ценностью, чем стандартные радиокомпозиции.

Саймон Гоцци, руководитель отдела развития бизнеса в STIM, говорит, что компания изучает, как отчеты Sureel об атрибуции могут лежать в основе лицензионных соглашений между музыкантами и компаниями, занимающимися искусственным интеллектом. Могут ли стратегии атрибуции с использованием генеративного ИИ не только поддерживать экономическую логику «популярность окупается», но и стимулировать музыкальные эксперименты и разнообразие? Это убедительная концепция, учитывая, что общественное мнение справедливо опасается угрозы, которую генеративный ИИ представляет для культурной жизни, смещая власть в сторону технологических компаний, снижая квалификацию творческих работников, сокращая доходы в творческом секторе и заполняя интернет некачественным контентом. «Атрибуция — один из немногих надежных инструментов, которые у нас есть», — говорит Роджерс.

Сейчас открывается возможность обсудить и разработать подходы к оплате данных для обучения ИИ, которые будут отвечать потребностям динамично развивающегося и устойчивого творческого сектора.

Техническая проблема атрибуции обучающих данных сложна и плохо определена. Подобно тому, как упрощенная стратегия атрибуции, основанная на измерении сходства, может побудить людей к обратному проектированию канонических произведений жанра для получения авторских отчислений, более сложная стратегия атрибуции, основанная на некоторой теории информации об оригинальности, может быть легко обманута или не принести пользы человеческому культурному творчеству.

Для работников творческих профессий есть веские основания опасаться, что даже при самых благих намерениях атрибуция с помощью ИИ лишь усугубит и без того запутанную и непрозрачную гонку вооружений, в которой они уже устали находиться. Некоторые представители музыкального сектора, использующие ИИ, также настроены скептически. Дрю Сильверстайн, президент SourceAudio, говорит: «Атрибуция кажется очевидным решением, но в ИИ она имеет недостатки, поэтому нам нужно рассмотреть другие модели». Он выступает за простые соглашения, заключенные путем переговоров, с согласованной или ежегодной фиксированной ценой на момент обучения.

Тем временем, судебные тяжбы за авторские права, доминировавшие в революции генеративного ИИ, начинают уступать место всё большему числу частных соглашений, таких как соглашения между Universal, Warner и крупными компаниями, занимающимися ИИ, о совместной работе над моделями обучения с согласия правообладателей. Хотя многое ещё неизвестно, эти соглашения могут оказать значительное влияние на формирующиеся отраслевые нормы.

Сейчас есть возможность обсудить и разработать подходы, которые позволят оплачивать обучающие данные для ИИ, одновременно поддерживая динамично развивающийся творческий сектор. Сложные инженерные решения будут играть свою роль, но они должны учитывать культурную сложность задачи и обеспечивать справедливость и прозрачность за счет качественного проектирования.

Как сделать обучение ИИ эффективным

Остается выяснить, действительно ли монолитные генеративные модели, такие как Suno, обладают той же степенью доверия, что и предполагалось изначально. Во многих творческих приложениях ИИ наблюдается возобновление внимания к более мелким, специализированным моделям, адаптированным к конкретным потребностям человека в творческом самовыражении, таким как модель RAVE от IRCAM или Style Filters от Jen. Между тем, более распространенные творческие приложения для «конечных пользователей» могут смещаться в сторону взаимодействия с фанатами. Внезапный отказ OpenAI от Sora, несмотря на переговоры с Disney, и недавний акцент Suno на создании интерактивных проектов, напрямую связанных с работами художников, после сделки с Universal, указывают на проблемы на начальном этапе развития творческого сектора ИИ.

Переход к более мелким и целенаправленным моделям и приложениям откроет больше возможностей для альянсов создателей контента. Например, коллективы музыкантов могли бы объединиться для предоставления обучающих данных для небольшой пользовательской модели, распределение доходов от которой могло бы быть равноправным или основанным на других принципах справедливости.

То же самое, возможно, справедливо и для гибридных архитектур моделей и структурированных режимов обучения, где различные источники данных используются на разных этапах процесса обучения, а также для генерации с расширенным поиском, которая смешивает контекстно-специфическую информацию с обучающими данными для улучшения результатов. Подход, который дает худшие результаты, но обеспечивает более справедливые или прозрачные пути атрибуции, может оказаться более успешным, если он привлечет создателей контента с более выгодными потоками роялти и даже четким указанием авторства.

Кроме того, каким бы сложным ни был алгоритм атрибуции, он всегда будет основан на решениях человека, от мудрых и справедливых до произвольных и коррупционных. Попросите инсайдера музыкальной индустрии объяснить, как определяется процентное распределение авторских отчислений за запись и написание песен, и вы получите длинный ответ. В лучшем случае, механизм атрибуции обучающих данных позволит вести открытое и информированное обсуждение того, что делает наши творческие и культурные секторы справедливыми и процветающими. В худшем случае, он скроет и без того непрозрачные частные соглашения в сложных «черных ящиках».

Здесь решающее значение имеет национальная политика. Атрибуция должна быть «многоуровневой и поддающейся проверке, открытой для экспертной и регулирующей проверки», — говорит Роджерс. Разработка такой политики потребует экспертных знаний в области информатики, музыковедения, права и экономики. Правительства, конкурентоспособные в сфере ИИ, смогут развивать свои культурные и творческие секторы, поддерживая учреждения, которые выполняют эту функцию.

Даже самые неолиберальные экономики стремятся поддерживать культурное самовыражение за пределами рынков, будь то посредством государственного финансирования искусства или таких мер, как квоты на местную музыку для радио. По мере того, как экономическое влияние генеративного ИИ в креативном секторе обретает форму, налогообложение, перераспределение и активная поддержка культурной инфраструктуры могут оставаться наиболее эффективным способом достижения позитивных социальных результатов. В конце концов, обложение налогом крупных ИИ и перераспределение этих доходов обратно творческим работникам, которые внесли свой вклад в богатство отрасли, — это еще одна «стратегия атрибуции ИИ».