微軟高管稱OpenAI抓取屬史上最大勞力盜竊

紐約時報對OpenAI與微軟版權訴訟中新解封的摘要顯示，微軟應用科學總監Brent Hecht在2023年1月內部備忘錄中，將大規模抓取新聞用於模型訓練稱作“前所未有的驚人盜竊”，並稱其可能是“人類歷史上最大規模的勞動力盜竊”。

解封材料稱，OpenAI中期訓練數據集中至少含91,692份來自紐約時報、Daily News與Center for Investigative Reporting的作品副本；一份源自Common Crawl的數據集僅nytimes.com就超過200萬份文檔。雙方還被指通過必應索引抓取原告內容，OpenAI把整套gpt-3訓練數據交給微軟評估商用落地，微軟則以Project Taxi、Project Mango等項目向OpenAI輸送訓練數據。

ChatGPT負責人Nick Turley在2023年6月內部備忘錄中寫道，人工智能對出版商構成“生存威脅”；2024年2月他又寫，相關產品“大體上具有替代性”，且“會隨着變強而越來越替代”。內部還把ChatGPT稱作“現代報攤”。微軟一份2023年文件則警告，大模型“吸走”他人勞動會被公衆視爲驚人盜竊，並可能形成同時傷害模型表現與整個網絡的“末日循環”，因爲終端產品正在威脅其內容供應鏈的經濟基礎。

員工Nick Ryder告知總裁Greg Brockman發現“繞過紐約時報付費牆的hack”後，Brockman回覆“ah nice”。出版方稱公司還用隱蔽手段抓取付費牆後內容，並在訓練數據中抹去版權管理信息。微軟首席執行官Satya Nadella作證稱，付費牆後材料“應由使用者取得授權”；若他當時知道OpenAI用付費內容訓練，會行使合同權利要求其重訓模型。他同時承認，聊天機器人把信息直接給到平臺上，用戶不必再去原始來源。

Hecht另稱，廣泛抓取新聞使“合理使用”概念成爲徹底嘲諷，並說大模型是“摧毀自身供應鏈的產品”。OpenAI工程師在2023年內部討論中寫道，無論鏈接展示得多顯眼，用戶都不會點擊。2020年時任政策負責人Jack Clark曾向Brockman與Sam Altman備忘，系統將越來越替代那些定義社會“文化”的人的勞動。原件多數仍處於密封，公開的是訴訟摘要摘錄。

市場機制上，這是事件驅動的版權定價權爭奪：出版方要追索被分流的訂閱、廣告與本應收取的授權費；模型方把未付費文本變成可替代閱讀的產品，點擊留在對話層而不回到原稿站點。受益方是掌握訓練算力與分發入口的模型公司及其雲合作方；承壓方是靠原創稿件維持採編預算的報紙與調查機構。資金路徑是“先吞數據、後賣能力”——訓練成本外部化，許可成本儘量內部化。若法院認定繞過付費牆與大規模複製超出合理使用，授權市場會被強制打開；若維持合理使用，抓取將繼續壓低內容供給價格，並把流量從站點遷到模型界面。

補充數據層面，訴訟還指WebText、WebText2等自建語料對新聞站點依賴偏高，微軟與OpenAI互相交換索引與語料，形成同一內容被多輪複製進不同代模型的閉環。

來源：公開信息