《紐約時報》三年前控告 OpenAI 及微軟侵犯版權的訴訟中，最新未塗黑文件揭示多項內部陳述：一名微軟高層私下形容兩間公司的 AI 訓練做法為「盜竊」，而 OpenAI 管理層亦承認其人工智能模型對出版商及記者構成「存亡威脅」。這些作品正是訓練模型的材料。[1]
繞過付費牆與移除版權聲明
文件亦詳細描述兩間公司如何被指取得及使用該些內容：繞過付費牆而不被偵測、透過大規模爬取建立訓練數據集，以及故意從訓練數據中移除版權聲明。[1]
其中一項關鍵數據來自微軟本身：其 Copilot「答案引擎」令《紐約時報》域名的點擊率，較傳統 Bing 搜尋最多下跌九成三。微軟應用科學總監 Brent Hecht 在2024年1月的內部簡報中形容這個跌勢為「末日循環」，並指它會同時損害模型效能與整個網絡。該文件直言，終端產品威脅其關鍵供應商的經濟基礎是極不尋常的情況，但這正是其大型語言模型業務在「內容供應鏈」上造成的局面。
高層證詞與內部通訊
微軟行政總裁 Satya Nadella 今年在宣誓作證時表示，任何受付費牆保護的內容都應由使用者取得授權，並表明若他知悉 OpenAI 曾爬取及訓練付費牆後的資訊，他會行使權利要求 OpenAI 重新訓練模型。
OpenAI 的 ChatGPT 主管 Nick Turley 在內部通訊中寫道，出版商面對來自聊天機械人的存亡威脅，因為該產品「大致上具替代性」，並且「隨著變得更好會越來越具替代性」。OpenAI 總裁 Greg Brockman 則形容模型「極擅長新聞」。Nadella 亦在宣誓下同意，與聊天機械人對話已「替代」了前往原始網站取得資訊的需要。
一份微軟文件指出，生成式人工智能存在「真實風險」，可能嚴重擾亂那些生成訓練數據者的就業。
複製規模
文件的規模令人震驚。資料首次揭示，單是 OpenAI 的中期訓練數據集，就含有超過91,692份由《紐約時報》、《每日新聞》及調查報道中心出版的作品副本；一個源自 Common Crawl 的數據集，則含有超過200萬份來自 nytimes.com 的文件。
法律背景
這份未塗黑的文件是該宗三年訴訟的最新升級。案件的核心問題——人工智能公司能否合法使用版權材料訓練模型——至今沒有明確答案，但法官大致上傾向接受 AI 公司關於訓練構成「合理使用」的論點。本月初，特朗普政府就提交意見書，為 OpenAI 未經授權使用版權材料訓練模型辯護。[2]
然而，多項新披露的陳述與 OpenAI 的合理使用抗辯相牴觸，特別是該原則要求使用不得替代或損害原作品市場。
值得注意的是，大部分新資訊來自《紐約時報》本身的意見書，而非仍被封存的基礎證物，因此上述引述均脫離了原本的上下文。
參考資料
[2] TechCrunch — U.S. government sides with OpenAI on issue of training LLMs on copyrighted material