微软高管称OpenAI抓取属史上最大劳力盗窃

纽约时报对OpenAI与微软版权诉讼中新解封的摘要显示，微软应用科学总监Brent Hecht在2023年1月内部备忘录中，将大规模抓取新闻用于模型训练称作“前所未有的惊人盗窃”，并称其可能是“人类历史上最大规模的劳动力盗窃”。

解封材料称，OpenAI中期训练数据集中至少含91,692份来自纽约时报、Daily News与Center for Investigative Reporting的作品副本；一份源自Common Crawl的数据集仅nytimes.com就超过200万份文档。双方还被指通过必应索引抓取原告内容，OpenAI把整套gpt-3训练数据交给微软评估商用落地，微软则以Project Taxi、Project Mango等项目向OpenAI输送训练数据。

ChatGPT负责人Nick Turley在2023年6月内部备忘录中写道，人工智能对出版商构成“生存威胁”；2024年2月他又写，相关产品“大体上具有替代性”，且“会随着变强而越来越替代”。内部还把ChatGPT称作“现代报摊”。微软一份2023年文件则警告，大模型“吸走”他人劳动会被公众视为惊人盗窃，并可能形成同时伤害模型表现与整个网络的“末日循环”，因为终端产品正在威胁其内容供应链的经济基础。

员工Nick Ryder告知总裁Greg Brockman发现“绕过纽约时报付费墙的hack”后，Brockman回复“ah nice”。出版方称公司还用隐蔽手段抓取付费墙后内容，并在训练数据中抹去版权管理信息。微软首席执行官Satya Nadella作证称，付费墙后材料“应由使用者取得授权”；若他当时知道OpenAI用付费内容训练，会行使合同权利要求其重训模型。他同时承认，聊天机器人把信息直接给到平台上，用户不必再去原始来源。

Hecht另称，广泛抓取新闻使“合理使用”概念成为彻底嘲讽，并说大模型是“摧毁自身供应链的产品”。OpenAI工程师在2023年内部讨论中写道，无论链接展示得多显眼，用户都不会点击。2020年时任政策负责人Jack Clark曾向Brockman与Sam Altman备忘，系统将越来越替代那些定义社会“文化”的人的劳动。原件多数仍处于密封，公开的是诉讼摘要摘录。

市场机制上，这是事件驱动的版权定价权争夺：出版方要追索被分流的订阅、广告与本应收取的授权费；模型方把未付费文本变成可替代阅读的产品，点击留在对话层而不回到原稿站点。受益方是掌握训练算力与分发入口的模型公司及其云合作方；承压方是靠原创稿件维持采编预算的报纸与调查机构。资金路径是“先吞数据、后卖能力”——训练成本外部化，许可成本尽量内部化。若法院认定绕过付费墙与大规模复制超出合理使用，授权市场会被强制打开；若维持合理使用，抓取将继续压低内容供给价格，并把流量从站点迁到模型界面。

补充数据层面，诉讼还指WebText、WebText2等自建语料对新闻站点依赖偏高，微软与OpenAI互相交换索引与语料，形成同一内容被多轮复制进不同代模型的闭环。

来源：公开信息