21CTO导读：以《纽约时报》为首的新闻出版商向OpenAI 发起版权诉讼，再度暴露AI公司的技术伦理争议和法律风险。

9月17日，《纽约时报》、每日新闻（The Daily News）等五家新闻出版机构向美国纽约南区联邦地区法院提交举证文件，请求法院判决OpenAI与微软的AI模型违法使用新闻内容，侵犯其版权。

后一份法庭保密文本亦被公开披露出来，其中有一段来自微软的布伦特·赫希特（Brent Hecht），他这样说道：

“人工智能模型训练是人类历史上规模最大的劳动盗窃”。

这份法院文件起源于《纽约时报》与OpenAI和微软的版权诉讼案，是该机构于2023年发起的一项诉讼。

赫希特还补充称此行为是“规模最大，令人震惊的盗窃行为”。

有人会问，此君是何许人也？其实赫希特在微软并非等闲之辈，他是负责着AI与人类活动研究的高级科学家，其团队的职责涉及计算社会学、人机协同和数据伦理。

可以说，他的发言是代表着微软内部技术层的真实声音。

OpenAI也是同样的情况。它的ChatGPT产品负责人尼克·特利（Nick Turle） 在其内部材料中写道：“我们的产品在很大程度上就是一种替代品，这没什么可说的。”他还预测，新闻传播机构正面临来自使用其内容训练的商业化产品的生存威胁，并随着产品性能的提供，可替代性将越来越强。

其总裁格雷格·布罗克曼（Greg Brockman） 在 2020 年的一封电子邮件就这样写道：“AI特别擅长预测新闻类文章的文字”，他举例称“每当我让它接续《纽约时报》文章中的某半句话时，它似乎都能准确无误完成整个句子。”

AI公司的内部共识与公开立场，形成鲜明的落差，这构成了这起诉讼案引人注目的张力。在公众面前，OpenAI们强调合理使用的原则“惠及所有人”，并且把《纽约时报》等媒体描写为牺牲为进步为代价谋取额外利益的机构。

OpenAI 內部主管也曾坦言产品对出版商构成“生存威胁”；微软发布声明与这些内部员工的私人观点“划清界限”，强调微软的正式立场认为 AI 的资料使用符合美国版权法中的「合理使用」（fair use）原则。

超 9 万篇+作品被无偿使用

被披露的数据规模，其实远比我们想象的更加庞大。

根据诉讼之文本，OpenAI的中期训练数据集中包含来自《纽约时报》、《每日新闻》、《调查报道中心》发布的 91692 篇作品。这些是明确被标识出来的数量，且只针对这 3 家媒体的数据。

在一个通用的爬虫推导的数据集中，仅含nytimes.com域名的文档超过 200 万份。

众所周知，《纽约时报》是一家超过 150 年历史的新闻机构，其内容的生产依赖于记者、编辑 、事实核查员、摄影记者以及排版工作人员构成的完整工作链条。每篇文章的背后，是数小时甚至是数周的专业劳动。

人工智能公司将这些内容整体抓取来，存入训练集，然后训练大语言模型。但整个过程没有向《纽约时报》付一分钱授权费，没有在输出中归因，也没有建立任何分成机制。

这些人工智能公司并非小创业公司，而是像 OpenAI与微软这样的行业巨头。

而《纽约时报》的诉讼，选择主动进攻，从一开始就公开指控OpenAI和微软未经其授权就爬取其网站内容，用于其大语言模型训练。

AI训练的灰色地带

网页抓取本身的行为，在绝大多数司法解释里，并不直接构成违法。但即使有robots.txt，有一些公司的爬虫也未必遵守其规约。

但是如果你抓取内容后，用来构建商业化模型，那么性质就变了。AI公司的辩护逻辑是用来做“转换性使用”，目的是用于语言学习而不是复制内容。

微软CEO萨蒂亚·纳德拉曾作证说，人工智能公司不应该通过绕过付费墙来违反新闻网站的使用条款。但OpenAI的内部消息显示，当一名员工尼克·莱德告知其总裁格雷格·布罗克曼，OpenAI爬虫找到了“绕过”《纽约时报》付费墙的“漏洞”时，布罗克曼回复说：“啊，不错。”

纳德拉也承认，聊天机器人业已成为新闻平台的替代品，他形容聊天机器人通过“直接在人工智能平台上向你提供信息，而无需你访问底层来源”，从而从新闻网站窃取了点击量。

出版方的核心观点为，你AI模型是在做替代《纽约时报》的文章付费订阅，这种行为就是在摧毁原作品的市场价值。

若法院认为AI训练属于合理化使用，所有出版社、内容创作者的版权、独特性护城河特性都将一并荡平，直到毁灭。可以说，这不是《纽约时报》的一家报纸在战斗，而是所有内容创作者的共同防御战。

新闻出版机构认为，“不仅新闻业的未来，负责任的人工智能的未来也取决于能否保持人类创作创造性作品的动力，而健康的社会正是依靠这些作品才能维系。”

“若认定复制新闻用于人工智能不属于合理使用，就能解决这种囚徒困境，让包括 OpenAI 和微软在内的所有人工智能公司站在同一起跑线上。”

作者：场长