# 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 ```text Research only No model training No redistribution 12 months ``` ### License B ```text Internal RAG Commercial application allowed No foundation-model training No raw-data redistribution ``` ### License C ```text Fine-tuning and evaluation allowed Commercial model deployment allowed No raw-data resale Perpetual internal use ``` ### License D ```text 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： ```text dataset.zip ``` 而是： ```text 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 1. Amazon Web Services, **AWS Data Exchange User Guide — Product subscriptions / Creating offers / Data products**, accessed 2026-08-16. 2. Snowflake Documentation, **Snowflake Marketplace — Paid listings / Pricing models / Provider listings**, accessed 2026-08-16. 3. Databricks Documentation, **Databricks Marketplace — Provider and listing documentation**, accessed 2026-08-16. 4. Defined.ai, **Partnership Programs / Data License Agreement / AI Training Data Platform**, accessed 2026-08-16. 5. 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。 --- ## 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