《纽约时报》诉OpenAI与微软版权案新解封文件披露内部称AI抓取为盗窃、绕过付费墙及大规模复制新闻作品等承认

《纽约时报》三年前对OpenAI和微软提起的版权诉讼中，新解封的未删节文件披露了内部承认：AI抓取等同于盗窃，AI产品对出版机构构成重大威胁。文件显示，微软一位高管私下将两家公司的AI训练做法描述为“盗窃”，OpenAI领导层则称其AI模型对训练所用作品的出版商和记者构成“生存威胁”。

文件详细描述了被指控的内容获取方式：绕过付费墙而不被发现、通过大规模抓取构建训练数据集，并故意从训练数据中剥离版权声明。规模方面，文件首次披露OpenAI仅中期训练数据集就包含超过91,692份来自《纽约时报》、Daily News和调查报道中心的作品副本；一个源自Common Crawl的数据集仅nytimes.com就包含超过200万份文档。微软应用科学总监Brent Hecht在2023年1月的内部备忘录中称其为“前所未有的惊人盗窃”和“人类历史上最大的劳动盗窃”。

文件还引用了微软自身数据：Copilot“答案引擎”导致《纽约时报》域名的点击率较传统Bing搜索下降多达93%。Hecht在2024年1月的内部演示中将这一下降描述为“末日循环”。微软CEO纳德拉今年在证词中表示，任何付费墙后的内容都应获得许可，并称若早知OpenAI抓取并训练了付费墙后的信息，他会要求OpenAI重新训练模型。OpenAI的ChatGPT负责人Nick Turley在内部通信中写道，出版商面临来自聊天机器人等产品的“生存威胁”，这些产品“在很大程度上具有替代性”。OpenAI总裁Greg Brockman称模型“擅长新闻”。

新闻机构的动议指控微软违反“行业规范”，将因Bing购买的数据集作为OpenAI训练数据出售，且未咨询新闻机构；并指控OpenAI从受不得用于商业目的协议约束的第三方获取含180万篇文章的《纽约时报》数据集，OpenAI员工知道用该数据训练模型“不合适”但仍这样做。动议还称，若法院不明确AI公司必须许可新闻内容，出版商和AI公司都可能陷入困境。

Ars Technica报道称，新闻机构不满微软和OpenAI在内部人士警告抓取新闻是盗窃后，从未选择许可内容，而是以他们无法预料的方式在另一个市场取代了他们。