微软高管内部称AI抓取为'人类史上最大劳动窃取'

三年前《纽约时报》对OpenAI和微软提起版权诉讼，最新披露的未编辑信息显示，两家公司承认AI抓取内容等同于盗窃，且AI产品对新闻出版业构成重大威胁。

诉讼文件显示，一名微软高管私下将两家公司的AI训练行为称为“盗窃”；OpenAI管理层则坦言，其AI模型对为模型提供训练素材的出版商和记者构成“生存威胁”。

需要说明的是，大部分新信息来自《纽约时报》提交的诉讼摘要，而非仍处于封存状态的原始证据。以下引述内容脱离了原始语境。

这份未编辑的诉讼文件，标志着这场历时三年的诉讼进一步升级。起初，《纽约时报》指控两家公司未经授权，用其内容训练生成式AI模型，涉嫌违反版权法。

AI企业能否合法使用受版权保护的素材训练AI，目前尚无明确法律定论，但法官大多倾向于支持AI公司的主张——即AI训练属于“合理使用”范畴。这项法律规定允许人们在特定场景下，无需版权方许可即可使用受保护作品，比如戏仿、新闻报道或评论。本月初，特朗普政府提交一份诉讼摘要，为OpenAI未经授权使用版权内容训练大语言模型（LLM）的行为辩护。

然而，此次披露的多项承认内容，与OpenAI的合理使用抗辩相悖，尤其是“使用行为不得替代原作或损害原作市场”这一核心原则。

例如，微软内部数据显示，其Copilot“问答引擎”导致《纽约时报》官网的点击率，较传统必应搜索最高下降93%。2024年1月，微软应用科学总监布伦特·赫克特（Brent Hecht）在内部演示文稿中，将这一下滑称为“恶性循环”，称其会“同时损害我们的模型性能与整个网络生态”。

诉讼文件援引微软内部文档内容称：“终端产品威胁到核心供应商的经济基础，这种情况极为罕见，但我们的大语言模型业务在‘内容供应链’上，恰恰造成了这样的局面。”

微软CEO萨蒂亚·纳德拉（Satya Nadella）今年早些时候在证词中表示：“任何付费墙后的内容，无论用于模型训练还是事实支撑，使用者都应取得授权……”他明确指出，若当时“得知OpenAI抓取并使用了付费墙后的内容训练模型”，他会“行使微软的权利，要求OpenAI重新训练模型”。

另有承认内容违背了合理使用原则的其他判定标准：OpenAI旗下ChatGPT负责人尼克·特利（Nick Turley）在内部沟通中写道，ChatGPT这类产品对出版商构成“生存威胁”，它们“在很大程度上可替代原作”，且“性能越完善，替代性就越强”。

OpenAI总裁格雷格·布罗克曼（Greg Brockman）称，其模型“擅长生成新闻内容”。纳德拉今年在宣誓证词中也承认，与聊天机器人对话获取信息的方式，“已替代了用户访问原网站获取信息的行为，AI平台直接提供答案，无需跳转至原始来源”。

这类表述表明，该技术并非对原作进行创新转化，而是直接与原作形成竞争。

一份微软文档指出，生成式AI存在“切实风险”，可能“严重冲击为基础模型提供训练数据的创作者的就业”。

内容复制规模之巨令人震惊。文件首次披露，仅OpenAI中期训练数据集就包含《纽约时报》《每日新闻》和调查报道中心发布的超过91692篇作品；一个基于Common Crawl的数据集，仅来自纽约时报官网的文档就超过200万份。

2023年1月，赫克特在一份内部备忘录中称，这是“规模空前的惊人盗窃”，是“人类历史上最大规模的劳动窃取”。

诉讼文件进一步详细披露了OpenAI和微软获取原告内容的方式，包括从必应索引中抓取内容。

文件写道：“OpenAI向微软交付了完整的GPT-3训练数据集，微软借此研究如何将OpenAI的模型应用于自身商业产品；微软则通过‘出租车计划’（Project Taxi）和‘芒果计划’（Project Mango）向OpenAI提供训练数据。”

两家公司涉嫌将“芒果计划”的数据整合为训练数据集，其中至少包含新闻出版商的160903份独特作品。

为最大化抓取效果，OpenAI员工涉嫌制定了一套不被察觉的付费墙绕过方案。文件显示，当OpenAI研究员尼克·莱德（Nick Ryder）向布罗克曼提及“绕过《纽约时报》付费墙的办法”时，布罗克曼回复：“不错啊。”

《纽约每日新闻》的代理律师史蒂文·利伯曼（Steven Lieberman）在发给TechCrunch的声明中表示：“此次首次披露的证据表明，OpenAI和微软明知自己的行为违法。”

截至目前，OpenAI和微软未回应置评请求。