01｜AI 時代的資料資產：從「賣資料」到授權可計算知識

Data Assets in the AI Era: From Selling Files to Licensing Computable Knowledge

系列：《可執行資料與深層解構學習》
篇次： 01 / 10
作者： Neo.K with Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1 Research Draft
日期： 2026-08-16
文件性質： 資料經濟／AI 訓練資料／可計算知識／資料授權方法論
範圍聲明： 本文討論一般資料資產與後續可執行系統解構，不討論特定個人學術站、特定私人論文庫或 TCF 商業化。
法律聲明： 本文為研究方法論與商業架構分析，不構成法律意見。

摘要

生成式 AI 與 Agent 系統使「資料」重新成為核心生產要素，但「資料很重要」並不等於「任何資料都具有可交易價值」。在 AI 時代，真正可形成資產的並不是檔案本身，而是具有明確權利邊界、可追溯來源、穩定結構、可驗證品質、可持續更新、可被機器有效使用，且能對模型或任務產生可量化效益的資料產品。

本文提出：

\boxed{ \text{Raw Data} \neq \text{Data Asset} }

並將 AI 時代資料資產初步表示為：

\boxed{ \mathcal D_A = (D,R,S,P,V,U,M) }

其中：

$D$ ：Data，資料內容；
$R$ ：Rights，權利與授權邊界；
$S$ ：Structure，資料結構；
$P$ ：Provenance，來源與資料血緣；
$V$ ：Verification，可驗證性；
$U$ ：Utility，對模型或任務的實際效益；
$M$ ：Maintenance，版本、更新與持續維護能力。

本文進一步區分「資料所有權」與「資料使用權」，指出實際資料市場更常見的交易單位是期間、用途、範圍與權限受約束的授權，而不是將資料本體一次性賣斷。本文亦提出資料商品的多權限模型，包括 Research、RAG、Evaluation、Fine-tuning、Training 與 Commercial Deployment 等不同授權面。

更重要的是，本文指出：當生成式 AI 使內容產出成本快速下降，資料價值將逐漸由「是否存在」轉向「是否具有結構、權利、驗證、差異化與可執行效益」。因此，未來高價值資料的核心不只是規模，而是：

\boxed{ \text{Machine Usability} + \text{Rights Clarity} + \text{Provenance} + \text{Measured Uplift} }

本文最後將此框架連接至後續「遊戲解構」研究：遊戲不只是內容，而是包含狀態、行動、規則、回饋與因果轉移的可執行資料源。因而本系列下一階段將由一般資料資產，進一步轉向可執行因果資料、遊戲智能考古與深層解構學習。

關鍵詞： 資料資產、AI 訓練資料、資料授權、Data Product、RAG、Fine-tuning、Training Data、Provenance、Benchmark、可計算知識

1. 問題：為什麼「有資料」不等於「有資產」？

數位時代早已累積海量資料。

企業有：

log；
文件；
郵件；
交易；
客服；
程式碼；
圖片；
影片；
使用紀錄。

網路亦存在大量：

網頁；
開源專案；
論文；
Wiki；
論壇；
社群內容；
公開資料集。

然而，資料量巨大並不意味所有資料都可直接形成經濟資產。

最簡單的錯誤是：

\boxed{ \text{More Data} \Rightarrow \text{More Value} }

這並不成立。

一個資料集可能：

來源不明；
權利不清；
重複率極高；
欄位混亂；
缺乏版本；
無法驗證；
無法與模型任務對接；
使用後沒有任何性能提升。

即使資料量非常大，它仍可能只是：

\boxed{ \text{Storage Cost} }

而不是：

\boxed{ \text{Data Asset} }

因此需要重新區分：

\text{Data} \neq \text{Dataset} \neq \text{Data Product} \neq \text{Data Asset}.

2. 四層資料存在形態

2.1 Raw Data

最底層為：

D_0=\text{Raw Data}.

例如：

未整理文本；
原始遊戲錄影；
server logs；
Git repository；
JSON dump；
sensor stream；
screenshot；
transaction records。

這些資料可能具有資訊，但不一定已經具備可交付性。

2.2 Dataset

當資料完成：

篩選；
格式統一；
基本 metadata；
去重；
欄位定義；
基本品質控制；

可形成：

D_1=\text{Dataset}.

Dataset 已經可以被使用，但仍不必然適合商業授權。

2.3 Data Product

當 Dataset 再加入：

明確用途；
版本；
schema；
delivery mechanism；
documentation；
license；
support；
更新政策；

則形成：

D_2=\text{Data Product}.

現有資料市場的實務即反映此模式。AWS Data Exchange 的資料產品以 subscription 為主要取得方式，offer 會明確包含價格、期間、付款條件與 Data Subscription Agreement；provider 亦可建立 custom / private offers。Snowflake Marketplace 同樣支援 paid listings 與 pricing plans；Databricks Marketplace 則將 dataset、model 等作為可被 listing 與交換的 data products。

因此，市場實際交易的已不是單純：

一包 CSV。

而是：

一個具有條款、期間、交付與服務邊界的資料產品。

2.4 Data Asset

本文進一步定義：

\boxed{ D_3=\text{Data Asset} }

當且僅當 Data Product 不只是能交付，而且能持續產生可衡量效益。

可形式化為：

\boxed{ \mathcal D_A = (D,R,S,P,V,U,M) }

其中任何一項長期接近零，都可能使資產價值快速下降。

3. 資料交易的核心不是「賣掉資料」

一般人第一次思考資料商業化時，常使用實體商品直覺：

我有一份資料，賣給某公司後，資料就是他的。

但資料具有：

\boxed{ \text{Non-rival Copyability} }

也就是同一份資料在技術上可以被複製並授權給多個使用者。

因此更自然的商業單位是：

\boxed{ \text{License} }

而不是：

\boxed{ \text{Transfer of the only copy}. }

4. 權利向量：同一份資料可以有不同商品

令某資料集為：

D.

它的授權權限可以形成：

\boxed{ L(D) = ( l_r, l_g, l_e, l_f, l_t, l_c, l_d ) }

其中：

$l_r$ ：Research；
$l_g$ ：RAG / Retrieval；
$l_e$ ：Evaluation / Benchmark；
$l_f$ ：Fine-tuning；
$l_t$ ：Model Training；
$l_c$ ：Commercial Deployment；
$l_d$ ：Derivative / Redistribution。

因此：

L_1(D)\neq L_2(D)

即使兩個客戶拿到的是同一份內容，其商業權利也可能完全不同。

例如：

License A

Research only
No model training
No redistribution
12 months

License B

Internal RAG
Commercial application allowed
No foundation-model training
No raw-data redistribution

License C

Fine-tuning and evaluation allowed
Commercial model deployment allowed
No raw-data resale
Perpetual internal use

License D

Foundation-model training allowed
Derivative model commercialization allowed
Raw corpus redistribution prohibited

此時真正出售的是：

\boxed{ \text{Authorized Capability over Data} }

5. AI 訓練使「用途」變成授權核心

傳統資料授權可能主要關注：

閱讀；
顯示；
分析；
再出版。

AI 時代則新增：

embedding；
retrieval；
fine-tuning；
pretraining；
RL / preference learning；
evaluation；
synthetic derivative generation。

因此：

\boxed{ \text{Use Type} }

本身成為重要契約維度。

臺灣數位發展部於 2026 年推出「臺灣主權 AI 訓練語料授權條款」第 1 版，正反映 AI training 已需要專門處理資料使用、期間、識別與授權資訊等問題。

這意味著：

\boxed{ \text{AI Training Rights} }

已逐漸成為可被單獨描述與治理的權利層。

6. 資料價值不是檔案大小

假設兩個資料集：

D_A

與：

D_B.

其中：

|D_A|=10\text{ TB}

而：

|D_B|=5\text{ GB}.

不能因此推出：

V(D_A)>V(D_B).

如果 $D_A$ ：

充滿重複；
權利不清；
無標註；
無任務對應；
對模型沒有增益；

而 $D_B$ ：

高度稀缺；
來源清楚；
結構穩定；
對某專業任務具有巨大提升；

則可能：

\boxed{ V(D_B)\gg V(D_A). }

因此，AI 資料的基本估值思路應從容量轉向有效資訊增益。

7. 一個初步的資料資產價值模型

本文提出一個內部評估形式：

\boxed{ V_D \propto R \cdot Q \cdot P \cdot S \cdot U \cdot N \cdot M }

其中：

$R$ ：Rights clarity；
$Q$ ：Quality；
$P$ ：Provenance；
$S$ ：Structure；
$U$ ：Utility；
$N$ ：Novelty / Scarcity；
$M$ ：Maintainability。

這不是市場定價公式，而是一個研究判斷模型。

它的重要意義在於：

高價值資料不是只有「高品質」。

8. Provenance 為什麼會變成資產的一部分？

AI 系統需要知道：

資料從哪裡來；
誰有權授權；
何時取得；
是否修改；
哪一版；
是否含第三方內容；
是否存在限制；
哪些資料是推論；
哪些資料是原始觀察。

因此資料來源不應只是附註。

應把：

\boxed{ P=\text{Provenance} }

視為資料本體的一部分。

Defined.ai 的資料合作與 marketplace 模式即明確要求供應者具有資料商業化與 AI training 的合法權利，並進行資料來源與權利審查。

沒有 provenance 的資料可能仍然有資訊價值，但其企業可採購性會顯著下降。

9. 結構化的價值：AI 能不能真正使用？

假設有一百萬份文字。

最簡單作法：

\text{Text} \rightarrow \text{Chunk} \rightarrow \text{Embedding}.

這當然有用。

但某些領域需要的不只是文字相似性。

例如真正的專業資料可能還需要：

entity；
state；
action；
relation；
outcome；
version；
evidence；
confidence；
dependency；
failure mode。

因此：

\boxed{ \text{Machine-readable} \neq \text{Machine-usable}. }

JSON 並不自動等於高階結構。

真正的問題是：

這個結構是否對任務形成有效歸納偏置？

10. 最好的銷售證明不是「我的資料很好」

如果要證明資料價值，最有效的方法不是描述資料多珍貴。

而是測：

\boxed{ M+D > M }

其中：

$M$ ：基準模型；
$D$ ：資料產品。

定義：

\Delta P = P(M+D)-P(M).

可測：

accuracy；
hallucination rate；
task completion；
code correctness；
retrieval precision；
reconstruction success；
agent success rate；
planning quality。

如果：

P(M)=0.54

而：

P(M+D)=0.79,

則：

\Delta P=0.25.

這就是資料最直接的效益證據。

11. Corpus + Benchmark 比 Corpus 更接近資產

因此未來真正成熟的資料商品應該不是只有：

dataset.zip

而是：

dataset/
schema/
documentation/
provenance/
license/
train/
dev/
test/
benchmark/
baseline/
evaluation/
version/
changelog/

可寫成：

\boxed{ \text{Data Asset} = \text{Corpus} + \text{Benchmark} + \text{Usage Contract} }

Benchmark 的存在使資料從：

也許有用。

變成：

可以被測量是否有用。

12. 資料市場正在從 Data 走向 Data Product

目前 AWS Data Exchange、Snowflake Marketplace、Databricks Marketplace 等平台均已將資料供應者、listing、subscription、paid listing、private offer 或 data product 等概念產品化。

這表示資料市場已逐漸建立：

\boxed{ \text{Data} \rightarrow \text{Product} \rightarrow \text{Offer} \rightarrow \text{License} \rightarrow \text{Delivery} }

的基礎設施。

因此個人或小型研究團隊真正缺乏的通常不是：

能不能把資料放上網？

而是：

能不能把資料變成買方知道如何評估、如何合法使用、如何整合、如何持續取得的產品？

13. AI 時代的資料生產成本正在改變

生成式 AI 使大量內容可以低成本產生。

因此：

C_{\text{generation}}\downarrow.

如果生成速度持續提升，僅有：

大量文字。

將逐漸降低稀缺性。

資料資產的競爭因而轉向：

\boxed{ \text{Generation} \rightarrow \text{Validation} \rightarrow \text{Selection} \rightarrow \text{Structuring} }

也就是：

問題將從「誰有最多資料」逐漸轉成「誰知道哪些資料值得留下」。

14. 高品質資料不是終點

傳統資料工程常將：

Q=\text{Quality}

作為核心目標。

在資料稀缺、標註昂貴的年代，這是合理的。

但若未來：

AI 大量生成；
計算機自動測試；
verifier 自動篩選；
simulation 自動驗證；
schema 自動檢查；

則可能出現大量：

Q(x)\geq\tau_Q

的候選。

此時 Quality 逐漸由：

\text{Optimization Target}

變成：

\text{Admission Threshold}.

這將引出本系列下一篇的重要問題：

\boxed{ \text{If everything is valid, what remains scarce?} }

答案可能是：

\boxed{ \text{Novelty}. }

15. 從 Content Data 到 Executable Data

一般文本資料主要記錄：

\text{Description}.

但存在另一種更高密度資料：

\boxed{ (s_t,a_t,s_{t+1}) }

也就是：

當下狀態；
執行動作；
世界如何改變。

若再加入：

(g,c,o)

其中：

$g$ ：goal；
$c$ ：constraint；
$o$ ：outcome；

則形成：

\boxed{ (s_t,a_t,g,c,s_{t+1},o) }

這已經不只是內容。

它開始描述：

\boxed{ \text{How a World Operates}. }

16. 為什麼下一步會進入遊戲？

遊戲是極具代表性的可執行資料源。

因為遊戲天然包含：

state；
action；
rules；
goal；
feedback；
resource；
history；
world transition。

因此：

\boxed{ \text{Game} = \text{Content} + \text{Executable System} }

小說主要留下：

發生了什麼。

影片可以留下：

看起來發生了什麼。

而遊戲還可以讓研究者問：

如果我改變行動，系統會怎麼回應？

因此它天然提供反事實操作空間：

\boxed{ a_1\neq a_2 \Rightarrow s'_{1}\neq s'_{2}. }

這使遊戲非常適合作為：

\boxed{ \text{Executable Causal Data} }

的研究母體。

17. 資料資產與遊戲解構的連接

若只錄製遊戲影片：

\text{Game} \rightarrow \text{Video}

我們得到的是表面 observation。

若進一步記錄：

\text{State} + \text{Action} + \text{Rule} + \text{Transition} + \text{Outcome},

則資料開始具有結構。

若再進一步抽取：

FSM；
Behavior Tree；
Utility；
Scheduler；
Memory；
Priority；
Interrupt；
World State；
Composition；

則：

\boxed{ \text{Game Experience} \rightarrow \text{Computable Intelligence Structure}. }

這正是本系列第二部將研究的核心。

18. 本文命題

命題一：資料—資產非同一命題

\boxed{ \text{Data} \not\equiv \text{Data Asset}. }

資料需經權利、結構、來源、驗證、效益與維護才能形成可持續資產。

命題二：使用權優先命題

AI 時代資料商業化的主要單位可以是：

\boxed{ \text{Licensed Use} }

而不需要是資料所有權永久移轉。

命題三：模型增益證明命題

資料價值若能用：

\Delta P>0

穩定證明，其商業可評估性將顯著高於只依賴主觀品質描述的資料。

命題四：結構增值命題

在內容相同時，能夠提供：

可尋址結構；
穩定 schema；
provenance；
task mapping；
validation；

的資料，對 AI 系統的可操作價值通常高於純 raw dump。

命題五：可執行資料升階命題

若資料不只描述結果，而能保存：

\text{State} \rightarrow \text{Action} \rightarrow \text{Transition} \rightarrow \text{Outcome},

則它可進一步支援：

Agent learning；
planning；
reconstruction；
simulation；
causal analysis；
executable validation。

19. 研究與商業的分離

本文並不主張：

所有資料都應被出售。

一個資料集可以具有：

V_{\text{commercial}}>0

但其持有人仍選擇：

\text{Commercialize}=0.

資料資產化的意義首先是：

知道自己擁有什麼。

而不是：

必須把所有東西標價。

因此：

\boxed{ \text{Asset Recognition} \neq \text{Mandatory Monetization}. }

這個區分對知識公共性、開源文化與研究倫理尤其重要。

20. 結論：AI 時代真正賣的是「可用性」

資料市場表面上看起來是在交易資料。

但更深層地說，真正被交易的是：

\boxed{ \text{Permission} + \text{Structure} + \text{Trust} + \text{Utility}. }

沒有授權，資料可能不能安全使用。

沒有結構，AI 可能只能低效讀取。

沒有 provenance，企業無法有效治理。

沒有 benchmark，買方無法知道它是否真的有價值。

因此：

\boxed{ \text{Raw Data} \rightarrow \text{Structured Data} \rightarrow \text{Licensed Data Product} \rightarrow \text{Measured Data Asset}. }

但生成式 AI 又將進一步改變這條鏈。

當：

\text{Generation Cost}\downarrow

而：

\text{Validation Capacity}\uparrow,

下一個真正稀缺的東西將不再只是：

\text{High Quality}.

而會開始轉向：

\boxed{ \text{Novelty} + \text{Utility} + \text{Executable Difference}. }

因此下一篇將進一步研究：

02｜高品質資料之後：從 Quality Paradigm 到 Novelty Paradigm

參考資料

Amazon Web Services, AWS Data Exchange User Guide — Product subscriptions / Creating offers / Data products, accessed 2026-08-16.
https://docs.aws.amazon.com/data-exchange/latest/userguide/product-subscriptions.html
https://docs.aws.amazon.com/data-exchange/latest/userguide/prepare-offers.html
https://docs.aws.amazon.com/marketplace/latest/userguide/data-products.html
Snowflake Documentation, Snowflake Marketplace — Paid listings / Pricing models / Provider listings, accessed 2026-08-16.
https://docs.snowflake.com/en/collaboration/collaboration-marketplace-about
https://docs.snowflake.com/en/en/collaboration/provider-listings-pricing-model
Databricks Documentation, Databricks Marketplace — Provider and listing documentation, accessed 2026-08-16.
https://docs.databricks.com/aws/en/marketplace
https://docs.databricks.com/aws/en/marketplace/create-listing
Defined.ai, Partnership Programs / Data License Agreement / AI Training Data Platform, accessed 2026-08-16.
https://defined.ai/partnership-programs
https://defined.ai/data-license-agreement
https://defined.ai/
數位發展部，臺灣主權 AI 訓練語料庫與臺灣主權 AI 訓練語料授權條款第 1 版，2026。
https://moda.gov.tw/en/digital-affairs/plural-innovation/operations/18874
https://taic.moda.gov.tw/content/license

系列導航

01｜AI 時代的資料資產：從「賣資料」到授權可計算知識
02｜高品質資料之後：從 Quality Paradigm 到 Novelty Paradigm
03｜遊戲不是內容資料：遊戲作為可執行因果世界
04｜商業遊戲智能考古：從 AI 名作到普通遊戲群
05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度
06｜商業遊戲 AI 的隱藏層：真正稀缺的是組合，而非基礎演算法
07｜餵資料不等於學習：從 Raw Exposure 到深層解構學習
08｜理解的工程驗收：如果真的懂，就重建給我看
09｜合成資料之後：從模仿既有設計到探索新穎可執行設計空間
10｜慣老闆測試：意圖重建、設計生成與可執行世界考古