2026年9月17日，纽约南区联邦法院解封了一批来自《纽约时报》诉OpenAI和微软版权案的内部文件。这批材料首次披露了被告公司内部对训练数据来源的认知与测算，其中微软应用科学总监布伦特·赫克特在一份内部备忘录中将用全网内容训练大模型称为”一场规模前所未有的惊人盗窃”，并称这很可能是”人类历史上最大的一次劳动盗窃”。
该案已持续近三年。此前庭审走向总体支持”用版权内容训练模型属于合理使用”，而此次解封材料的特殊之处在于，其内容为被告方自身内部记录，而非法律论证。微软内部测算显示，Copilot上线后，《纽约时报》域名的点击率相比传统Bing搜索最多下降93％。赫克特在内部演示文稿中将这一下滑称为”死亡循环”，认为它会同时损害模型表现和整个互联网。他还指出，一个终端产品威胁到自身关键供应商的经济根基，这种情况极不寻常，而这是模型业务与其”内容供应链”共同造成的局面。
ChatGPT负责人尼克·特利在内部沟通中表示，ChatGPT这类产品对出版机构构成”生存威胁”，且”在很大程度上是替代性的”，随着模型能力增强，替代性会愈发显著。OpenAI总裁布罗克曼称这些模型”非常擅长新闻”。微软CEO纳德拉今年作证时亦承认，与聊天机器人对话”已经替代了直接去网站获取信息”。而法律要求不能”替代或损害原作品的市场”。
文件同时披露了训练数据规模。仅OpenAI训练数据集中，就包含《纽约时报》《每日新闻》和调查报道中心的作品91692份拷贝。在一个从Common Crawl派生的数据集中，仅nytimes.com一个域名就抓取了两百多万份文档。其他媒体方面，从《纽约时报》抓取390万份，从《芝加哥论坛报》及其相关报刊抓取730万份。此外，一个名为Project Mango的项目数据集包含至少160903部新闻出版方的独立作品。OpenAI将整个GPT-3训练数据集交给微软，微软则通过Project Taxi和Project Mango将数据回输给OpenAI。
文件还记录了具体操作方式。OpenAI研究员尼克·赖德曾告诉布罗克曼，自己有一个”绕过纽约时报付费墙的黑客方法”，布罗克曼回复”不错”。两人搭建的数据集WebText、WebText2中，相当大一部分是从网上直接抓取的新闻报道，并从Common Crawl拉取了数百万篇文章。在数据进入模型前，研究人员会刻意删除版权声明，原因是”不想让模型向用户输出版权声明”。
原告代理律师史蒂文·利伯曼表示，证据表明OpenAI和微软知道自己的行为是错误的。微软对这批文件回应称，相关言论仅反映一名员工的个人观点，不是法律分析，也不代表公司立场。赫克特并非决策者，公司雇他是为了”呈现不同的、非对称的视角”。
这并非OpenAI首次因训练数据面临集体诉讼。2023年9月，美国作家协会连同约翰·格里森姆、乔治·R·R·马丁、朱迪·皮考特等17位作家在纽约南区对OpenAI提起集体诉讼，此后多起作家诉讼陆续并入，原告规模持续扩大。《纽约时报》诉状证物J题为《GPT-4记忆〈纽约时报〉内容的一百个例子》，长达127页，显示模型在给定文章开头后可近乎逐字补完剩余内容，包括署名和引语。2026年arXiv发布的论文《对齐打地鼠》进一步显示，将模型微调为”按情节写全文”后，GPT-4o、Gemini 2.5 Pro能复现85％至90％的版权书籍原文，单段逐字复现超过460个词。
类似的数据抓取争议并不限于OpenAI和微软。2026年9月4日，一起集体诉讼递交至伊利诺伊北区联邦法院，原告指控Meta未经同意抓取Facebook和Instagram用户的照片及生物特征数据，用于训练人脸识别系统NameTag背后的模型、比对用人脸指纹，以及生成式图像模型Emu和Muse Image。Meta回应称诉讼没有依据，NameTag未向消费者发布，也未最终决定用途，并强调公司”不是在建立一个通用的人脸数据库”。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
