微軟高管稱AI資料抓取是“歷史上最大的勞動盜竊”，未經刪減的檔案顯示

紐約時報針對OpenAI和微軟提起的為期三年的版權訴訟中解密的檔案顯示，一家公司承認AI抓取構成盜竊，並對媒體機構構成嚴重威脅。

根據訴訟檔案，微軟的一位高管私下將公司的AI訓練方法稱為“盜竊”，而OpenAI的領導層承認，其模型對訓練它們的出版商和記者構成了“生存威脅”。

新解密的記錄還詳細說明了這些公司如何繞過付費牆而不被察覺地訪問和利用這些內容，透過大規模抓取構建訓練資料集，並故意從資料中刪除版權宣告。

需要注意的是，這些新資訊大多來自《紐約時報》自身的法律簡報，而非仍處於保密狀態的原始證據。以下引用的內容未提供原始語境。

這份未經刪節的檔案標誌著這場三年訴訟的最新升級，紐約時報最初聲稱這些公司透過利用其內容訓練生成式AI模型違反了版權法。

關於AI公司是否可以合法使用受版權保護的材料進行訓練，目前尚無明確的法律答案，儘管法官們通常傾向於支援AI公司的觀點，即此類訓練屬於“合理使用”。這一法律原則允許在特定情況下未經許可使用受版權保護的作品，例如諷刺、新聞報道或評論。本月早些時候，特朗普政府提交了一份簡報，支援OpenAI未經授權使用受版權保護的材料來訓練其大型語言模型。

然而，這些新承認中的幾項與OpenAI的合理使用抗辯相矛盾，特別是要求這種使用不替代或損害原作品的市場。

例如，微軟自己的資料顯示，其Copilot“答案引擎”導致《紐約時報》域名的點選率與傳統必應搜尋相比下降了高達93%。微軟應用科學總監布倫特·赫克於2024年1月撰寫的一份內部微軟簡報將這種下降描述為“死亡迴圈”，這將同時“損害我們模型的效能和整個網路”。

“一個最終產品威脅其基本供應商的經濟基礎是非常不尋常的，但這就是我們為LLM業務在其‘內容供應鏈’方面創造的情況，”微軟檔案在檔案中引用道。

微軟執行長薩提亞·納德拉今年早些時候在證詞中也表示，“任何受付費牆保護的內容，任何希望使用它的人……都應獲得授權，用於基礎或訓練”，並澄清如果他“得知OpenAI抓取並訓練了受付費牆保護的資訊”，他將“援引[微軟的權利]要求OpenAI重新訓練其模型”。

其他承認削弱了合理使用測試的不同方面：OpenAI ChatGPT負責人尼克·特利在內部通訊中寫道，出版商面臨來自聊天機器人等產品的“生存威脅”，這些產品“在很大程度上是可替代的”，並且“隨著它們變得更好，將變得越來越可替代”。

OpenAI總裁格雷格·布羅克曼將模型描述為“擅長新聞”。納德拉今年早些時候在宣誓作證時同意，與聊天機器人互動“已經替代了……直接在AI平臺上的網站上提供資訊，而不是需要去底層來源”。

此類語言突顯了該技術如何直接與原作品競爭，而不是對其進行改造。

微軟的一份檔案指出，生成式AI“有可能嚴重擾亂那些為基礎模型訓練生成資料的人的就業”的“現實風險”。

複製的規模令人震驚。檔案首次顯示，OpenAI的中期訓練資料集中僅包含來自《紐約時報》、《每日新聞》和調查報道中心的91,692多部作品的副本。一個源自Common Crawl的資料集僅包含來自nytimes.com的200多萬份文件。

在2023年1月的一份內部備忘錄中，赫克稱其為“前所未有的驚人盜竊”和“人類歷史上最大的勞動盜竊”。

該檔案提供了OpenAI和微軟如何獲取原告內容的細節，包括從必應索引中抓取內容。

“OpenAI將整個GPT-3訓練資料集交付給微軟，微軟利用該資料集評估如何在自己的商業產品中實施OpenAI的模型，”檔案指出。“微軟還透過名為Project Taxi和Project Mango的計劃向OpenAI提供了類似的資料。”

據稱，這些公司將Project Mango資料組裝成一個訓練資料集，其中包含來自新聞出版商至少160,903部獨特作品的副本。

為了最大化抓取的有效性，OpenAI員工據稱制定了一項計劃，以在不被察覺的情況下規避付費牆。檔案顯示，當OpenAI研究員尼克·萊德向布羅克曼告知“繞過nytimes付費牆的破解方法”時，布羅克曼回覆道：“啊，不錯。”

據稱，OpenAI員工還構建了像WebText和WebText2這樣的訓練資料集，這些資料集不成比例地依賴於抓取的新聞內容。他們還據稱從Common Crawl（一個免費的網路抓取資料開放儲存庫）中提取了數百萬篇文章。調查結果還描述了在資料到達模型之前故意從訓練資料中刪除版權宣告的努力，因為研究人員“不希望模型向使用者輸出”“版權宣告”。

OpenAI和微軟未回覆置評請求。