新论文：艺术家群体难以约束联邦学习产出的模型使用，研究者提出四条治理原则
arXiv预印本指出，联邦学习使个人数据留在设备端，但训练出的模型归组织方掌控；创作者在存储与流通环节能行使治理权，到模型学习环节则失去话语权。
AI解读：这篇论文想解决的问题是：当艺术家把作品交给AI训练时，即便数据不出本地，最终训练出的模型却由召集训练的一方控制，创作者几乎没有发言权。作者们梳理了三个治理层面——作品存储、数据流通和模型学习——发现艺术家主导的信托、合作社和同意基础设施能在前两层发挥作用，但到第三层就断了：创作者可以同意被训练，却管不了模型本身被谁使用或如何再分发。基于此，他们提出治理对象应是模型而非仅语料库、贡献时条款应清晰可读、拒绝应是一等状态、管理权应公开决策并问责，并呼吁把模型开放给社区共同监督。对正在用作品训练AI的艺术家和设计数据共有的机构来说，这篇论文给出了具体的治理缺口和改进方向；它尚未提供可落地的技术方案，也未涉及版权法如何协调。普通读者若只是使用AI工具，暂不需要行动；真正相关的是参与数据贡献的创作者，可检查自己与平台或研究机构的协议是否包含对模型本身的约束。
一篇题为“Govern the Model, Not Only the Data: Storage, Circulation, and Learning in Creative AI”的arXiv预印本（编号 2609.03800）于 2026 年 9 月 3 日提交，作者包括Phoenix Perry、George Simms、Elizabeth Wilson、Yasmine Boudiaf、Nick Bryan-Kinns、Tega Brain、R. Luke DuBois、Alix Rule、Rachel Meade Smith、Kelani Nichole、Atharva Pravin Pawar和Rebecca Fiebrink。论文共 9 页，含 1 张图，归属人工智能（cs.AI）与人机交互（cs.HC）类别。
论文核心论点：联邦学习常被当作隐私保护技术，因其让个人数据留在设备上、仅共享模型更新，但它在逻辑上颠倒了联邦式社交网络的做法——计算被分布化，而最终模型仍归发起训练的组织所有。作者认为联邦学习本身不是对“提取式AI”的解药，结果取决于谁治理数据和模型、谁对塑造它们的过程有支配权。
治理的三个层面与创作者控制的边界
论文描述了创意社区可以在三个层面掌握其作品：存储（storage）、流通（circulation）和学习（learning）。其中，“学习”指的是模型训练和联邦过程。通过考察艺术家主导的信托、合作社和同意基础设施，作者指出创作者治理在存储和流通层面已经建立，但在学习层面止步：贡献者可以同意参与训练，却对由此产生的模型及其联邦方式几乎没有发言权。
- 存储：作品存放地点和存取权限的控制
- 流通：数据如何分享、授权和追踪
- 学习：模型如何使用贡献的数据进行训练，以及最终模型的归属和管理
四项设计原则
论文提出了一个创意数据公地（creative data commons）的四项设计原则，目标是治理模型及其联邦，而不只是数据集：
1. 治理模型，而不只是治理语料库；2. 在贡献时刻让条款清晰可读；3. 将拒绝设计为一等公民状态；4. 公开决定管理权并为其负责。
作者据此绘制了研究空间，将技术开放问题与相关的人文问题配对，说明要突破当前治理短板需要跨学科的推进。