Для музыкантов привычно получать вознаграждение каждый раз, когда их творчество используется. Будь то продажи винила и CD, стриминг, радио, каверы или ниши вроде караоке — везде существуют договорённости о том, что считать «использованием». В основе лежит простой экономический принцип: чем чаще произведение используют, тем больше денег оно приносит.
Генеративный ИИ усложнил определение использования. С одной стороны, можно утверждать, что музыкальный файл используется для обучения ИИ лишь однажды — на этапе тренировки. С другой стороны, авторы справедливо возражают, что творческая суть их работы продолжает жить в структуре модели, проявляясь при каждом выводе.
Сейчас компании вроде Sureel и SoundVerse пытаются воссоздать ключевой экономический принцип, который стимулирует творчество в эпоху ИИ. Эти инициативы стремятся превратить индустрию генеративного ИИ из виновной в «крупнейшем акте кражи авторских прав в истории» в отрасль, гармонично сосуществующую с усердно работающими артистами.
Музыкальные отчисления в эпоху ИИ
Стартап Sureel, недавно купленный Warner Music Group, совместно со шведским агентством по авторским правам STIM изучает возможности музыкантам получать оплату при использовании их музыки для обучения генеративных ИИ-инструментов. Программное обеспечение Sureel помечает онлайн-медиафайлы (например, музыкальные треки) инструкциями, заданными правообладателем. Инструкции определяют, может ли ИИ-компания свободно использовать медиа при обучении, ограничить его влияние в конкретной обучающей выборке или полностью исключить. Затем ПО отслеживает, как компания использует эти файлы при обучении, и соответственно устанавливает лицензионные отчисления.
Тем временем основатели ИИ-музыкальной компании SoundVerse в своём белом документе 2025 года заявляют, что «отвергают единовременные выкупы роялти как недостаточные и выступают за постоянное участие артистов в жизненном цикле ИИ». Они утверждают, что при каждой генерации системой ИИ результата одни фрагменты обучающих данных вносят больший вклад, чем другие. Если система выдаёт музыку, напоминающую джаз, то джазовые записи из обучающей выборки явно повлияли сильнее, чем, скажем, фолк. Следовательно, можно по-разному вознаграждать каждый фрагмент данных за каждый результат.
Со-президент Sureel Бенджи Роджерс говорит: «Атрибуция не воссоздаёт старую экономику. Она впервые измеряет то, что та лишь приблизительно оценивала».
Подобная атрибуция влияния должна выходить за рамки поверхностного измерения схожести обучающих данных с результатом ИИ. По словам CEO Sureel Тамая Айкута, задача — установить причинно-следственную связь между обучающими данными и обученным ИИ.
Однако, даже если индустрия ИИ добьётся этого, может возникнуть соблазн создавать музыку, нацеленную исключительно на максимизацию отчислений за обучение. Хотя любые творческие рынки порождают новые стимулы (например, стриминг привёл к сокращению вступлений в песнях), индустрии не нужна ещё одна экономическая конструкция, пригодная для злоупотреблений. В такой системе чья-то сгенерированная под копирку сборная солянка могла бы оттягивать роялти от оригинальных произведений.
Определение вклада конкретного музыкального произведения в сгенерированную композицию — если это вообще чётко формализуемая задача — может потребовать более продвинутых принципов теории информации или моделирования исторической роли и влияния отдельных работ. Айкут предполагает, что при грамотно спроектированной системе атрибуции необычные и неотшлифованные музыкальные произведения могут обладать даже большей ценностью, чем поп-хиты с радио.
Глава отдела развития бизнеса STIM Симон Гоцци сообщил, что компания изучает, как отчёты об атрибуции Sureel могут лечь в основу лицензионных соглашений между музыкантами и ИИ-компаниями. Могут ли стратегии атрибуции в генеративном ИИ не только поддержать экономическую логику «популярное оплачивается», но и стимулировать музыкальные эксперименты и разнообразие? Это заманчивая концепция, особенно на фоне вполне обоснованных опасений общества, что генеративный ИИ угрожает культурной жизни: концентрирует власть в руках технокомпаний, обесценивает квалификацию творческих работников, уменьшает доходы креативного сектора и заполоняет интернет низкопробным контентом. «Атрибуция — один из немногих надёжных инструментов, которые у нас есть», — считает Роджерс.
Сейчас открывается окно возможностей для обсуждения и выработки подходов к оплате данных для обучения ИИ, которые будут поддерживать динамичный и устойчивый творческий сектор.
Техническая задача атрибуции обучающих данных одновременно сложна и плохо определена. Как упрощённая стратегия, основанная на измерении сходства, может побудить людей заниматься обратной разработкой канонических произведений жанра ради роялти, так и более сложная, использующая теорию информации для оценки оригинальности, может быть легко обыграна или не сумеет адекватно вознаградить реальный культурный вклад.
У творческих работников есть все основания опасаться, что даже при лучших намерениях атрибуция ИИ лишь усугубит и без того запутанные и непрозрачные «гонки вооружений», которыми они уже устали заниматься. В секторе музыкального ИИ тоже звучат скептические голоса. Президент SourceAudio Дрю Сильверстайн утверждает: «Атрибуция казалась бы очевидным ответом, но в ИИ она ущербна, так что надо искать другие модели». Он выступает за простые договорные соглашения с фиксированной либо ежегодной платой на этапе обучения.
Тем временем волна исков о нарушении авторских прав, сопровождавшая революцию генеративного ИИ, начинает уступать место растущему числу частных соглашений. Например, Universal, Warner и крупные ИИ-компании договариваются о совместной работе над обучением моделей с соблюдением авторских прав. И хотя пока мало что определённо, эти соглашения могут сильно повлиять на формирующиеся отраслевые нормы.
Прямо сейчас открыто окно возможностей для обсуждения и установления подходов, которые позволят платить за данные для обучения ИИ и одновременно поддерживать живой творческий сектор. Сложные инженерные решения сыграют свою роль, но они должны учитывать культурную сложность задачи и обеспечивать справедливость и прозрачность за счёт продуманного дизайна.
Как сделать обучение ИИ прибыльным
Пока неясно, насколько монолитные генеративные модели вроде Suno действительно обладают той надёжностью, которую им приписывали изначально. Во многих творческих применениях ИИ происходит возврат к небольшим специализированным моделям, созданным под конкретные творческие задачи, — например, RAVE от IRCAM или стилевые фильтры Jen. В то же время более массовые приложения для конечных пользователей, возможно, смещают фокус на взаимодействие с фанатами. Внезапный отказ OpenAI от Sora, несмотря на переговоры с Disney, и недавний акцент Suno на создании опыта для фанатов, напрямую отсылающего к творчеству артистов (после сделки с Universal), — всё это указывает на проблемы роста в секторе творческого ИИ.
Переход к менее масштабным, целенаправленным моделям и приложениям открыл бы больше возможностей для альянсов авторов. Например, коллективы музыкантов могли бы объединяться для предоставления данных для небольшой кастомной модели, а доходы распределять поровну или на иных принципах справедливости.
Возможно, то же самое относится к гибридным архитектурам моделей и структурированным режимам обучения, где разные источники данных используются на разных этапах, а также к генерации с дополненной выборкой (retrieval augmented generation), где контекстно-специфичная информация смешивается с обучающими данными для улучшения результатов. Подход, дающий пусть и менее качественные, но более справедливые и прозрачные пути атрибуции, может оказаться успешнее, если привлечёт создателей за счёт более высоких роялти и даже явного указания авторства.
Кроме того, каким бы сложным ни был алгоритм атрибуции, он всегда будет опираться на человеческие решения — от мудрых и справедливых до произвольных и коррумпированных. Попросите инсайдера музыкальной индустрии объяснить, как делится процент между отчислениями за запись и за авторство песни, — и вы услышите долгий ответ. В лучшем случае механизмы атрибуции позволят вести открытое и информированное обсуждение того, что делает наш творческий и культурный сектор справедливым и живым. В худшем — они скроют и без того непрозрачные частные договорённости в сложных чёрных ящиках.
Именно здесь жизненно важна государственная политика. По словам Роджерса, атрибуция должна быть «многоуровневой, проверяемой и открытой для экспертного и регулирующего контроля». Для выработки таких правил потребуются знания из информатики, музыковедения, права и экономики. Правительства, стремящиеся к конкурентоспособности в области ИИ, смогут укрепить свои культурные и творческие сектора, поддерживая институты, работающие в этом направлении.
Даже самые неолиберальные экономики не полагаются только на рынок для поддержки культурного самовыражения — через госфинансирование искусства или такие меры, как квоты на локальную музыку на радио. По мере того как экономический эффект генеративного ИИ в творческом секторе обретает форму, налогообложение, перераспределение и активная поддержка культурной инфраструктуры могут оставаться наиболее действенным способом обеспечить позитивные социальные результаты. В конце концов, налогообложение крупного ИИ и возврат этих доходов творческим работникам, создавшим богатство отрасли, — это ещё одна «стратегия атрибуции ИИ».