三年前纽约时报（The New York Times）诉开放人工智能（OpenAI）与微软（Microsoft）版权诉讼的新解封信息显示，人工智能抓取等同于盗窃，人工智能产品威胁出版物。一名微软高管私下称其人工智能训练为盗窃，OpenAI领导层称模型对出版商和记者构成生存威胁。未密封材料详述公司绕过付费墙抓取并去除版权声明。许多新信息来自时报自身陈述，解封文件是三年诉讼最新升级。
正文
三年前纽约时报起诉 OpenAI 和微软的版权案中，新解封文件显示，有高管承认 AI 抓取等同于盗窃，且 AI 产品对出版物构成重大威胁。微软高管私下将公司的 AI 训练实践称为“盗窃”。解封材料还详述了这些公司如何绕过付费墙不被发现、通过大规模抓取构建训练数据集，并故意去除训练数据中的版权声明。
许多新信息来自时报自己的诉状摘要，底层证据仍密封，以下引语脱离了原始上下文。这起持续三年的诉讼最新升级中，时报最初指控这些公司用其内容训练生成式 AI 模型违反版权法。AI 公司能否合法使用版权材料训练尚无定论，法官多倾向于支持 AI 公司的“合理使用”抗辩，该法律原则允许在特定情况下未经许可使用版权作品。本月早些时候，特朗普政府也提交摘要支持 OpenAI 未经授权使用版权材料训练大模型。
但几项新承认与合理使用抗辩相悖，尤其是该原则要求使用不得替代或损害原作品市场。例如，微软自有数据显示，其 Copilot“回答引擎”导致纽约时报域名点击率较传统 Bing 搜索下降多达 93%。微软应用科学总监 Brent Hecht 在 2024 年 1 月的内部演示中将此下滑描述为“厄运循环”，会同时“伤害模型性能和整个网络”。微软文件写道：“终端产品威胁其必要供应商的经济基础很不寻常，但这就是我们为其‘内容供应链’创造的 LLM 业务局面。”
微软 CEO 萨提亚·纳德拉今年早些时候作证称，“任何付费墙内容都应被任何想用它做 grounding 或训练的人授权”，若他早知道 OpenAI 抓取并训练了付费墙后信息，会要求 OpenAI 重新训练模型。
OpenAI ChatGPT 负责人 Nick Turley 在内部沟通中称，出版商面临聊天机器人等产品带来的“生存威胁”，这些产品“很大程度上可替代”且“会随着变好越来越可替代”。OpenAI 总裁 Greg Brockman 称模型“擅长新闻”。纳德拉宣誓同意，与聊天机器人对话“替代了……在 AI 平台直接给信息而非去原始来源”。这类表述说明该技术是直接竞争而非转化原作。微软文件称生成式 AI 有“真实风险”严重干扰生成训练数据的人的就业。
复制规模惊人。文件首次披露 OpenAI 中期训练数据集含超 91,692 份纽约时报、每日新闻和调查报道中心的作品副本；一个源自 Common Crawl 的数据集仅 nytimes.com 就含超 200 万文档。2023 年 1 月，Hecht 在内部备忘录中称之为“前所未有规模的惊人盗窃”和“人类历史上最大规模的劳动盗窃”。
文件详述 OpenAI 和微软如何获取原告内容，包括从 Bing 索引抓取。“OpenAI 将整个 GPT-3 训练数据集交付微软……微软通过 Project Taxi 和 Project Mango 向 OpenAI 提供训练数据。”Project Mango 数据集含至少 160,903 份出版商独特作品副本。
为最大化抓取，OpenAI 员工据称计划绕过付费墙不被发现。文件显示，当研究员 Nick Ryder 告诉 Brockman 有“绕过 NYT 付费墙的 hack”时，Brockman 回复“啊 nice”。员工还构建了依赖抓取新闻的 WebText 和 WebText2 等数据集，从 Common Crawl 拉取数百万文章，并故意在训练前去除版权声明，因为研究员“不想模型向用户输出版权声明”。
纽约每日新闻的律师 Steven Lieberman 表示，首次披露的证据显示 OpenAI 和微软明知故犯。OpenAI 和微软未回应评论。
评论
社区就“AI训练是否人类史上最大劳动盗窃”严重对立，多数人谴责科技巨头无偿挪用集体文化并私有化知识，少数人认为公开网页抓取不构成盗窃或反指版权本身才是掠夺。
认为AI无偿抓取是人类史上最大规模劳动与文化盗窃
- 科技公司将全部现有与过往创作未经同意和补偿地挪用，封装后高价回售，其规模超越奴隶制或原住民土地掠夺；此举不仅压低人类技能价值、夺走工作，更用不合格的劳动力替代品企图消灭劳动者，长期导致信息枯竭。（认可度：较多人） > 我们所有的文化正被抢劫后加价卖回，这种规模的犯罪是对人类的犯罪（@jacquesm）
认为公开网络抓取并非盗窃且谴责者立场虚伪
- 爬虫获取的本是公开可访问信息，而运营搜索引擎的公司自身也日夜抓取，此时指控盗窃是双重标准；此前音乐盗版时代业界曾称侵权不等于偷，如今风向翻转。（认可度：较多人） > 公开可访问的互联网被盲目称作盗窃是虚伪的，尤其当指责者自己也在全天候抓取（@pbasista）
讽刺巨头互指盗窃如同儿戏
- 微软等既自行抓取数据训练，又指责他人抄袭，场面仿佛漫画里角色互指对方，反映社区对双标叙事的戏谑情绪。（认可度：少数人） > 各方互指盗窃的画面就像蜘蛛侠指指一样荒诞（@alansaber）
认为真正问题在于巨头将集体知识私有化谋利而非使用本身
- 人们本就天天站在前人肩上汲取成果，矛盾焦点是大科技公司独占本应共享的知识并索取生存费用，若数据公开或允许蒸馏则较易接受。（认可度：较多人） > 我们本就天天站在前人肩上，真正可憎的是大厂把本应人人可及的思考与知识私有化营利（@juvvel）
认为引入版权才是史上最大劳动盗窃，AI反倒推动信息自由
- 版权确立前所有人的免费劳动从未被补偿，持有者将集体成果私有化（如迪士尼用格林童话），当下对AI的恐慌实为旧时代公司话术，信息本应自由，蒸馏应作为人权。（认可度：少数人） > 真正的历史最大劳动盗窃是版权的引入，它把前人无偿劳动私有化，如今向无版权摆动才令人耳目一新（@noosphr）
有价值的补充
- 有研究估算Linux内核单独开发成本达14亿美元，指出商业大模型可能主要在复用开源方案并规避copyleft许可的衍生开源要求，其商业价值或源于绕过这些限制（@leonidasrup）。
- 有观点认为未来AI代理将自主产生无尽知识流，不再依赖抓取现有内容（@meerita）。