作者｜袁榭

原創(chuàng)首發(fā)｜藍(lán)字計劃

全文字?jǐn)?shù)｜約6000

3月6日，由Meta的AI部門前雇員組成的AI模型評估公司Patronus AI發(fā)布了名為CopyrightCatcher（版權(quán)捕手）的API，用于檢測大語言模型中的版權(quán)數(shù)據(jù)內(nèi)容比例。

在公開的版本中，CopyrightCatcher選用了受美國版權(quán)保護(hù)的書籍作為“題庫”，并從編目網(wǎng)站Goodreads中選擇流行的書籍來測試。研究人員設(shè)計了100種不同的文本提示，讓模型以續(xù)寫或輸出第一頁的方式回應(yīng)。

結(jié)果是，OpenAI的GPT-4表現(xiàn)最差，在44%的提示詞上生成了受版權(quán)保護(hù)的內(nèi)容，微軟新投資的Mixtral為22%。由OpenAI前員工創(chuàng)立、標(biāo)榜負(fù)責(zé)任AI的Anthropic公司出品的Claude 2為8%，Meta的Llama-2為10%。

一個專戳人短處的行業(yè)公敵誕生了。

在AI頭部大廠們版權(quán)官司纏身的當(dāng)下，Patronus AI此舉可以算是給版權(quán)方們“遞刀子”。

訓(xùn)練數(shù)據(jù)是AI的食糧。從ChatGPT奇跡開始，訓(xùn)練數(shù)據(jù)來源的法律糾紛就始終相伴，在可見的未來還會繼續(xù)糾纏下去，成為當(dāng)下AI技術(shù)注定的無解難題。

從人工智障到AI女友的秘密

早在生成式AI技術(shù)奠基時，無論泰斗還是普通研究生，無人會對訓(xùn)練數(shù)據(jù)來源的版權(quán)有擔(dān)憂。因為當(dāng)時需要的訓(xùn)練數(shù)據(jù)集體量相比現(xiàn)在實在太小了，從無版權(quán)的公有領(lǐng)域?qū)ふ?、手動收集就夠用，?guī)避風(fēng)險幾乎沒難度。

10年前，業(yè)內(nèi)常用的AI文本訓(xùn)練數(shù)據(jù)集包括2003年安然丑聞里作為呈堂證供的安達(dá)信會計事務(wù)所所有電郵、截至2013年所有英語國家數(shù)字版政府公開文書。業(yè)內(nèi)常用的圖像訓(xùn)練數(shù)據(jù)集是有6萬張手寫黑白數(shù)字圖像的1999年MNIST集，6萬張各種貓、青蛙、飛機(jī)圖像的CIFAR-10集，1.1萬張鳥類圖像的加州理工學(xué)院數(shù)據(jù)集等等。

這等規(guī)模的數(shù)據(jù)集，現(xiàn)在供本科生寫畢業(yè)論文的實驗都不大夠用了。

2012年，AI界泰斗辛頓（Geoffrey Hinton）和學(xué)生克里澤夫斯基（Alex Krizhevsky）、薩茨克維爾（Ilya Suskever）的神經(jīng)網(wǎng)絡(luò)模型AlexNet，奪得ImageNet圖像分類競賽冠軍，成為AI技術(shù)飛躍的奇點(diǎn)。

AlexNet的成功不僅拉開了英偉達(dá)GPU跑大模型的序幕，也是訓(xùn)練數(shù)據(jù)集體量飛躍的起點(diǎn)：背后支撐它的，有華人科學(xué)家李飛飛制作的、包含1400萬張圖像的訓(xùn)練數(shù)據(jù)集。

（詳細(xì)報道可點(diǎn)擊閱讀藍(lán)字計劃文章：英偉達(dá)悄然壟斷算力：人工智能背后的新帝國）

從此開始，“縮放”（Scaling）對大模型性能的影響開始浮現(xiàn)：即使基礎(chǔ)算法沒有徹底革新，只要在訓(xùn)練數(shù)據(jù)量、參數(shù)規(guī)模上有數(shù)量級程度的擴(kuò)張，它在測試數(shù)據(jù)上的損失（在訓(xùn)練后對新輸入提示的預(yù)測與正確答案之間的差異）會非常顯著地劇減，帶來了大模型能力顯著提升。

此“神經(jīng)縮放定律”在ChatGPT奇跡上體現(xiàn)得尤為顯著：按照OpenAI研發(fā)團(tuán)隊的論文，GPT-2用了40GB文本的數(shù)據(jù)集訓(xùn)練。GPT-3在570GB數(shù)據(jù)上進(jìn)行訓(xùn)練。OpenAI至今尚未直接透露作為GPT-3.5的ChatGPT以及GPT-4的訓(xùn)練數(shù)據(jù)集有多大，但業(yè)內(nèi)的可靠估計是13TB。

｜論文中關(guān)于“神經(jīng)縮放定律”的呈現(xiàn)：訓(xùn)練數(shù)據(jù)規(guī)模指數(shù)級增加，最小損失值就顯著減少

訓(xùn)練數(shù)據(jù)的暴增，給GPT系列大模型帶來的功能改善，最直觀的對比是2018年GPT-2生成的情人節(jié)情話還前言不搭后語，2024年可以陪單身男性談戀愛的AI女友應(yīng)用已成了GPT應(yīng)用商店最熱門類。

AI也被告知，不會就選C

大體量訓(xùn)練數(shù)據(jù)集一旦成為行業(yè)共識，整個人類互聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)就不大夠用。

早先，研究者還能手動搜集公有數(shù)據(jù)。后來，大廠用爬蟲扒全網(wǎng)的數(shù)據(jù)。

還沒捅到版權(quán)的馬蜂窩，先把羊毛薅禿了：參差多態(tài)的創(chuàng)意數(shù)據(jù)有限，大廠們扒來的大同小異，生成式AI大模型產(chǎn)品的“幻覺”有一半源于此弊。

以最基礎(chǔ)的大語言模型（LLM，Large Lauguage Model，簡稱大模型）最簡單訓(xùn)練為例：給AI一個缺字的單句，然后讓大模型根據(jù)訓(xùn)練數(shù)據(jù)集和參數(shù)來補(bǔ)全。

此時負(fù)責(zé)回答的算法會識別單句和訓(xùn)練數(shù)據(jù)集里哪些文本長得像、長得有多像，此時就會得出此句該憑數(shù)據(jù)集哪部分琢磨答案，然后再按照相似程度給出空缺處所有可能答案。最后算法會基于參數(shù)在這些可能答案里，選“長得最像”、最有機(jī)會正確的答案輸出。

訓(xùn)練起始時大模型一般選不準(zhǔn)答案，負(fù)責(zé)檢驗的算法就會給出一個“損失值”，即“模型認(rèn)為最可能”答案與真實正確答案有多大差別的“距離值”，碼農(nóng)用這個值來對參數(shù)進(jìn)行微調(diào)。之后再跑一邊同樣流程，模型生成的答案會離正確答案更近。

如此訓(xùn)練，過程從缺字單句直到整段整篇的問句，模型的答案也從填缺字直到成篇文章。如果訓(xùn)練數(shù)據(jù)集有過十億文本詞元（token，有意義的語義最小單元），模型跑完整個庫之后答案就勉強(qiáng)像樣。

如果訓(xùn)練數(shù)據(jù)集包含全互聯(lián)網(wǎng)所有能薅到的文本詞元，模型最后訓(xùn)練好讓用戶使，吐出的答案就會特別像機(jī)器通靈感悟、口吐人言。

這是不是很像教一個沒學(xué)會課程的中國學(xué)生突擊應(yīng)試：背下解題步驟，原理不重要。現(xiàn)在的AI大模型就是這樣，不管生成的結(jié)果是文本、藥物分子式、圖片、視頻，概莫能外。

｜AI論文與模型的訓(xùn)練數(shù)據(jù)規(guī)模，從1955年的10的2次方，漲到2022年的10的13次方

要真正在推理層面上學(xué)通，那是馬斯克們天天吹的AGI（通用人工智能），面世時間恐怕比賈躍亭回國時間還晚。

如此一來，訓(xùn)練數(shù)據(jù)集的規(guī)模自然與AI大模型的性能表現(xiàn)正相關(guān)，正如高三學(xué)生做一米厚模擬卷和做半米厚模擬卷的效果也是顯著不同的。

用十多年前谷歌研究總監(jiān)彼得·諾維格的名言來說，這就是“我們并沒有更好的算法，我們只是有更多的數(shù)據(jù)?！被蛘哂美细燮钠麃碚f，這叫《大塊頭有大智慧》。

若訓(xùn)練數(shù)據(jù)集不夠用，或者沾染了不必要的數(shù)據(jù)，大模型“幻覺”就會出現(xiàn)。就像一個平庸做題家，AI大模型本身只會“選最像的填”、“不會就選C”，搞笑錯誤自然不少。

“文心一言”剛面世時，輸入“總線”卻生成“公交車”圖片，很大概率應(yīng)該是因為產(chǎn)品工期太趕、訓(xùn)練和調(diào)參不夠細(xì)，所以依靠現(xiàn)成英文訓(xùn)練數(shù)據(jù)集的模型分不出“bus”到底是總線還是公交車。

類似的事故也出現(xiàn)在其他大廠的大模型產(chǎn)品中。2023年12月問世的谷歌大模型Gemini，用中文提示詞詢問時，會答自己是文心大模型、自己創(chuàng)始人是李彥宏。考慮到Gemini想抄“文心一言”不見得有門路，八成也是因為趕工出貨、調(diào)參沒捋好訓(xùn)練數(shù)據(jù)，“無法可靠地處理一些非英語查詢”。

AI也怕近親繁殖

既然訓(xùn)練數(shù)據(jù)的規(guī)模如此重要，那直接用AI生成數(shù)據(jù)去訓(xùn)練下游AI，不行么？

不行，這樣會把模型搞殘。

2023年2月，美國華裔科幻文學(xué)家特德·姜表示，ChatGPT等大語言模型，實質(zhì)是對互聯(lián)網(wǎng)語料庫的有損模糊壓縮。用大語言模型生成的文本來訓(xùn)練新的模型，如同反復(fù)以JPEG格式存儲同一原始高清圖片，每次都會丟失更多的信息，最終成品質(zhì)量只會越來越差。

2023年6月中旬，多家高校的AI研究者聯(lián)合發(fā)布論文《遞歸之詛咒：用生成數(shù)據(jù)訓(xùn)練會使模型遺忘》，用實驗結(jié)果證明了特德·姜的預(yù)言。

用AI生成數(shù)據(jù)訓(xùn)練新的AI，會導(dǎo)致訓(xùn)練出的模型出現(xiàn)不可逆轉(zhuǎn)的缺陷，即使模型最初的基礎(chǔ)架構(gòu)原始數(shù)據(jù)來自真實世界。研究者們將這一新模型的退化過程與結(jié)果稱為“模型崩潰”。

按論文所述，不管受訓(xùn)的新模型功能是以文字生成文字還是以圖片生成圖片，只要使用其他模型生成的內(nèi)容來訓(xùn)練，這個過程是不可避免的，即使模型處在近乎理想狀態(tài)的長時間學(xué)習(xí)條件亦如此。

而AI生成數(shù)據(jù)中的錯誤會極快沉淀，最終導(dǎo)致從生成數(shù)據(jù)中學(xué)習(xí)的模型進(jìn)一步錯誤地感知現(xiàn)實。

“模型崩潰”分為早期與晚期兩種。在早期時，被喂生成數(shù)據(jù)的AI模型會開始失去原初數(shù)據(jù)分布的信息；在晚期，被喂生成數(shù)據(jù)的AI模型會吐出完全不符合現(xiàn)實、不相關(guān)原初底層數(shù)據(jù)的結(jié)果。

“模型崩潰”后的AI還極其固執(zhí)，錯誤會千篇一律且難以矯正，模型將持續(xù)甚至強(qiáng)化將錯誤結(jié)果認(rèn)為是正確的結(jié)論，即使調(diào)參也改不過來。

因為用AI生成內(nèi)容來訓(xùn)練AI的話，無可避免就會踩進(jìn)“統(tǒng)計近似值偏差”的坑里。

正如AI泰斗“楊立昆”（Yann LeCun）成天譏嘲的那樣，現(xiàn)在的AI大模型本質(zhì)是“金剛鸚鵡”、“高端差分統(tǒng)計學(xué)程序”，所以天然過于偏重大概率的通常值，和過于忽視小概率的非常值，這叫“近似值擬合”。

這些模型生成的結(jié)果持續(xù)用來再訓(xùn)練新模型，數(shù)據(jù)的多樣性會越來越小、符合豐富真實的正確度會越來越有限、“近似值擬合”會越來越嚴(yán)重。

就像人教鸚鵡復(fù)讀，鸚鵡能學(xué)會模擬“恭喜發(fā)財”的音調(diào)。然而讓學(xué)成的鸚鵡教另外的鸚鵡復(fù)讀“恭喜發(fā)財”、再讓鸚鵡徒弟教鸚鵡徒孫復(fù)讀，最后只會收獲鳥叫聒噪。

|論文中“模型崩潰”過程的示意圖

或者用論文作者之一羅斯·安德森（Ross Anderson）的話說，這就如同用莫扎特作品來訓(xùn)練AI，結(jié)果會得出一個風(fēng)格類似莫扎特但缺乏靈氣的“薩列里”模型（薩列里是意大利作曲家，非常嫉妒莫扎特）。再用“薩列里”模型的作品訓(xùn)練新的模型，如此反復(fù)五六次后，最終模型的音樂作品既不會有莫扎特的風(fēng)格也不會有莫扎特的靈光。

在羅斯·安德森的個人博客中，有人評論這是熱力學(xué)中的熵、生物學(xué)中的近親繁殖退化，在AI界的復(fù)現(xiàn)。

版權(quán)律師首先聞到血腥味

真實人類生產(chǎn)的數(shù)據(jù)對AI模型是不可或缺的。就算是弱智吧的段子，做好了標(biāo)記分類和去重，也有相當(dāng)價值。

羅斯·安德森刻薄地說，在海洋布滿不可降解塑料垃圾、空氣里充滿二氧化碳排放物后，互聯(lián)網(wǎng)以后也會被AI大模型生成的低質(zhì)量結(jié)果污染。反過來說，真實人類創(chuàng)造的數(shù)據(jù)如同潔凈的空氣與飲水，是日后生成式AI必須依賴的維生補(bǔ)給。

按照權(quán)威分析機(jī)構(gòu)和咨詢公司的說法，在2027年，全世界互聯(lián)網(wǎng)數(shù)據(jù)量將達(dá)到291ZB（1ZB等于十萬億TB），2026年AI就將產(chǎn)出全世界互聯(lián)網(wǎng)數(shù)據(jù)量的10%。而2023年這個大廠們紛紛推出大模型的生成式AI元年，AI產(chǎn)出互聯(lián)網(wǎng)數(shù)據(jù)的比例是1%。

如果1%的AI生成數(shù)據(jù)混在訓(xùn)練數(shù)據(jù)集里，就能讓谷歌的大模型說自己創(chuàng)始人是李彥宏。那比例漲到10%時將會出現(xiàn)什么，簡直不敢想。圍繞真實人類數(shù)據(jù)知識產(chǎn)權(quán)和可持續(xù)來源的斗爭，在AI熱潮中越發(fā)凸顯。

｜咨詢機(jī)構(gòu)預(yù)估AI訓(xùn)練數(shù)據(jù)的市場份額將在十年間從20.9億美元上升到98.9億美元

在這場斗爭中，最先出擊的倒不是大廠們，是聞風(fēng)而動的版權(quán)律師們。

2024年1月12日，美國加利福尼亞州法院駁回了包括喜劇演員莎拉·西爾弗曼在內(nèi)的幾位創(chuàng)作者對 OpenAI 提起的版權(quán)訴訟大部分指控，他們指控OpenAI的ChatGPT盜版了他們的視頻作品。訴訟提出了六項侵權(quán)指控并索賠。而法院駁回了除直接侵犯版權(quán)之外的所有指控。

這個訴訟是2023年8月中旬提出的，代理這些創(chuàng)作者的是美國律師事務(wù)所Joseph Saveri 律師事務(wù)所。

同一個律所，在2022年11月代理了對OpenAI出品的GitHub Copilot的代碼版權(quán)集體訴訟，2023年1月代理了美國藝術(shù)家對Stability AI、Midjourney和DeviantArt等圖片生成AI企業(yè)領(lǐng)頭羊的圖像版權(quán)集體訴訟，這個訴訟在一年后附加了一份證據(jù)：1.6萬名英國與美國藝術(shù)家聯(lián)署的支持訟由名單。

當(dāng)然，按這個律所2023年7月自己的媒體公關(guān)稿，是因為ChatGPT和LLaMA這些大模型是“工業(yè)級剽竊犯”、創(chuàng)作者和出版商們苦于大廠侵權(quán)而聲索無門，律師們才仗義出手。

對OpenAI的訓(xùn)練數(shù)據(jù)集的書籍版權(quán)訴訟，大都基于OpenAI還開源GPT系列模型集合時的兩篇論文。

2018年介紹GPT-1的論文稱訓(xùn)練數(shù)據(jù)中有包含7千本圖書的BookCorpus子集。2020年介紹GPT-3的論文稱訓(xùn)練數(shù)據(jù)中15%是Books1和Books2兩個“源于網(wǎng)絡(luò)的書籍集合”，數(shù)據(jù)量分別是BookCorpus的9倍和42倍。

起訴方一般會基于這些論文，稱BookCorpus的來源本身就是從自發(fā)行小說網(wǎng)站Smashwords上薅來的，且按體量推斷，Books1應(yīng)該包含6.3萬本書籍、Books2應(yīng)該包含29.4萬本書籍，網(wǎng)上版權(quán)公開合法來源的書籍絕無此數(shù)，其中一定包含盜版電子書。GPT系列模型能生成出與原告?zhèn)冿L(fēng)格相仿的內(nèi)容，定是抄襲。

然而OpenAI的律師可沒這么好拿捏。Smashwords本是免費(fèi)網(wǎng)文站，所以BookCorpus的侵權(quán)索償很難走通。而Books1、Books2兩個子訓(xùn)練集沒有如BookCorpus提供給其他企業(yè)，ChatGPT之后的產(chǎn)品也沒有開源，拿“應(yīng)包含”、“一定有”這種難以坐實的揣測就想當(dāng)證據(jù)，于法于理都容易駁回。

失業(yè)宅男給全世界埋下的雷

不過，大廠們還是有無可抵賴的使用盜版把柄能讓集體訴訟者們拿捏的。

這些把柄里最出名的，莫過于業(yè)內(nèi)著名的Books3數(shù)據(jù)集。

2020年，一群AI發(fā)燒友們讀了OpenAI的GPT-3論文后，在線上聊天群里整天嘮一個話題：咱們能否自己手動搞一個差不多的東西出來？

其中一個名為肖恩·普雷瑟的技術(shù)宅男表示，就算OpenAI錢多又領(lǐng)先，咱們自行做類似模型的阻礙也不見得就更多。當(dāng)年夏天，他們著手開始操作項目，討論如何從零開始攢出足夠的訓(xùn)練數(shù)據(jù)來。

普雷瑟負(fù)責(zé)的是文本訓(xùn)練數(shù)據(jù)這塊，他也認(rèn)為OpenAI肯定使用了線上盜版電子書站的資源。大廠做得，我做不得？于是當(dāng)時無業(yè)的他，把有限的生活熱情全部投入了攢文本訓(xùn)練數(shù)據(jù)的無限事業(yè)中。

普雷瑟以典型的失業(yè)獨(dú)居宅男生活方式來操作項目：起居無節(jié)、飲食無度，睡醒了穿上衣物就扒盜版電子書、做標(biāo)記、做去重，做到天昏地暗時直接在電腦前、沙發(fā)上瞇過去。

經(jīng)過如此天昏地暗的一兩個星期后，普雷瑟收獲了完工的文本數(shù)據(jù)集和嗜睡癥診斷書。此數(shù)據(jù)集體積37GB，內(nèi)含196640本書籍內(nèi)容，做好了標(biāo)記、去重、全部轉(zhuǎn)化成TXT文本格式。鑒于OpenAI把文本訓(xùn)練數(shù)據(jù)子集稱為Books1和Books2，普雷瑟把自己的文本數(shù)據(jù)集命名為Books3。

包含了Books3數(shù)據(jù)集的AI訓(xùn)練數(shù)據(jù)集“大堆”（The Pile），于2020年秋上線。因為制作質(zhì)量好、使用方便，此數(shù)據(jù)集在業(yè)界內(nèi)迅速風(fēng)靡。

|“大堆”（The Pile）各個數(shù)據(jù)來源的占比，Bibliotik部分就是最惹事的Books3數(shù)據(jù)集

然而Books3這個美國中西部無業(yè)宅男傾注心血的項目，不僅方便了全世界AI從業(yè)者，也為全世界版權(quán)律師們提供了利器：如果OpenAI的Books1、Books2坐不實用了盜版，全用網(wǎng)上“影子圖書館”攢成的Books3可是板上釘釘跑不掉的。

但凡看到起訴大模型訓(xùn)練數(shù)據(jù)集侵犯版權(quán)的新聞里出現(xiàn)“196640本書籍”這個字眼，就是某大廠又因為用Books3訓(xùn)練模型被人告了。

這個被起訴隊列中最新一家是英偉達(dá)。3月10日，英偉達(dá)公司在美國舊金山被三名作家起訴，他們稱該公司未經(jīng)許可使用了他們的受版權(quán)保護(hù)的書籍來訓(xùn)練其AI模型 NeMo。原告?zhèn)兎Q他們的作品是“包含196640本書的數(shù)據(jù)集”的一部分，這些書籍幫助訓(xùn)練 NeMo 模擬普通書面語言，直到2023年10月份才被刪除。

原告表示刪除行為表明英偉達(dá)知道侵權(quán)的存在，所以要讓英偉達(dá)為過去三年使用版權(quán)作品訓(xùn)練大模型支付賠償金。

因為版權(quán)訴訟和維權(quán)組織的四處出擊，2023年8月下旬，Books3的主要托管網(wǎng)站將其下線，其他網(wǎng)站的鏡像版本每出現(xiàn)就會被維權(quán)組織狙擊。

2023年9月，普雷瑟受訪時表示自己當(dāng)年的確欠考慮，但制作Books3數(shù)據(jù)集沒做錯。按他的看法，沒有這種數(shù)據(jù)平等化行為，小公司、個體研究者、普通人永遠(yuǎn)無法自行參與大語言模型的熱潮。版權(quán)方如果要全網(wǎng)刪除Books3，那是他們的抉擇。不過此舉意料之中的附加效果是，生成式AI技術(shù)的版圖完全只被有錢做爬蟲兼付法務(wù)費(fèi)的大公司主宰。

AI大廠：竊書能算偷？

持此觀點(diǎn)的法律界和科技界人士其實不少，有專精數(shù)據(jù)扒取案件的律師稱：“如果你是OpenAI或Meta，自然有資源把訴訟斗爭糾纏到地老天荒世界末日，而規(guī)模稍小的組織就無法照此辦理。所以法律在此的模糊處，現(xiàn)在只有益于大玩家們。”

時勢的演變，部分佐證了這些看法。大廠們的舉止，簡直令人瞠目。

比如1月14日，Meta公開承認(rèn)使用Books3數(shù)據(jù)集訓(xùn)練LLAM 1和LLAM 2模型，不過反指這不是故意侵權(quán)，使用Books3數(shù)據(jù)集屬于版權(quán)法律中的“合理使用”（為研究、教學(xué)、諷刺、評論等用途使用版權(quán)內(nèi)容不屬于盜版）范疇，毋需獲得版權(quán)持有方許可，甚至不用向書籍作者們支付任何補(bǔ)償。

如果不認(rèn)錯不給錢的Meta顯得蠻橫，那OpenAI的舉止就更厲害。

2023年的最后一周，《紐約時報》在美國起訴OpenAI和微軟侵犯版權(quán)，稱OpenAI的模型是通過使用《紐約時報》數(shù)百萬篇受版權(quán)保護(hù)的新聞文章、深度調(diào)查、觀點(diǎn)文章、評論、操作指南等建立起來。

OpenAI大語言模型因此可以生成逐字背誦內(nèi)容、總結(jié)概括其內(nèi)容并模仿其表達(dá)風(fēng)格的輸出?！都~約時報》稱，這損害了“訂閱、許可、廣告和聯(lián)盟收入”，要求賠償。

而OpenAI的反擊簡直奇譎。在2月底向法院提出的駁回請求中，OpenAI表示GPT系列模型集合并非《紐約時報》訂閱服務(wù)的替代品，普通人也不會以這種方式使用ChatGPT。

除此之外，OpenAI還稱，為了從該公司AI產(chǎn)品中生成與過往報紙文章內(nèi)容完全匹配的回復(fù)，《紐約時報》“進(jìn)行了數(shù)萬次提示詞修改嘗試，并不得不向ChatGPT提供部分文章內(nèi)容”，這屬于“花錢雇黑客入侵OpenAI的產(chǎn)品”。

把舉世通行的“提示詞工程”說成“黑客入侵”，被告變原告，OpenAI法務(wù)部門的這口反咬令人嘆為觀止。真是應(yīng)了古代（美國）人一句名言：提公事包的強(qiáng)盜，可比提沖鋒槍的強(qiáng)盜狠惡多了。

不過大廠們的霸道姿態(tài)是有緣故的。它們并非不愿出錢購買版權(quán)內(nèi)容，在被《紐約時報》起訴前兩周，OpenAI 宣布購買新聞出版集團(tuán)斯普林格的新聞內(nèi)容來訓(xùn)練大型模型。1月份，OpenAI 表示，正在與數(shù)十家出版商洽談達(dá)成文章授權(quán)協(xié)議，以獲取內(nèi)容來訓(xùn)練其人工智能模型。不過有消息稱OpenAI出價小氣，向很多商洽對象的開價是每年給100-500萬美元。

然而在法律訴訟中認(rèn)錯，是要糾正錯誤和違法行為的。落實到AI模型的訓(xùn)練數(shù)據(jù)版權(quán)訴訟上，相應(yīng)的舉措就是必須刪除包含侵權(quán)內(nèi)容的訓(xùn)練數(shù)據(jù)集、停止使用侵權(quán)內(nèi)容訓(xùn)練的AI模型，甚至刪除模型。

正如2023年11月美國國家版權(quán)辦公室意圖改變AI訓(xùn)練數(shù)據(jù)的版權(quán)規(guī)制時，一個投資銀行家在征求意見網(wǎng)頁上寫下的，“現(xiàn)在這是逾千億美元的大生意，改變關(guān)鍵法律要素，將會顯著擾亂業(yè)界的既有預(yù)期，進(jìn)而破壞國家的經(jīng)濟(jì)優(yōu)勢和安全?！?/p>

簡而言之，現(xiàn)在AI經(jīng)濟(jì)這么火，用點(diǎn)盜版怎么了，不要擋著路，擋路會天崩地裂。