人工智能训练数据的经济学：一项研究议程

尽管数据在人工智能生产中处于核心地位，但它仍然是了解最少的投入。随着人工智能实验室耗尽公共数据并转向专有来源，交易金额达到数亿美元，计算机科学、经济学、法律和政策领域的研究变得支离破碎。我们通过三项贡献将数据经济学确立为一个连贯的领域。首先，我们描述了数据的独特属性——非竞争性、上下文依赖性以及通过污染产生的涌现竞争性——并追溯了石油和谷物等商品市场形成的历史先例。其次，我们系统性地记录了2020年至2025年的人工智能训练数据交易，揭示了持续的市场碎片化、五种不同的定价机制（从按单位许可到委托制作），以及大多数交易将原始创作者排除在补偿之外。第三，我们提出了一个形式化的可交换数据单元层级结构（令牌、记录、数据集、语料库、流），并主张在生产函数中明确表示数据。在这些基础之上，我们概述了数据经济学基础的四个开放研究问题：衡量上下文依赖的价值、平衡治理与隐私、估计数据对生产的贡献，以及设计针对异质、组合性商品的机制。