OpenAI 长期被指控未经许可使用受版权保护内容训练人工智能。近日，人工智能监督机构发布的新论文提出更严重指控：该公司越来越多地依赖未获授权的非公开书籍来训练更复杂的 AI 模型。
人工智能模型本质上是复杂的预测引擎。它们通过海量数据（如书籍、影视等）学习模式，从简单提示中推导新颖结果。当模型“撰写”文章或“绘制”图像时，仅是从庞大知识库中提取内容进行近似模拟，而非创造全新事物。
尽管包括 OpenAI 在内的多家实验室已开始利用 AI 生成数据训练模型——因现实世界数据源（主要是公共网络）几近耗尽——但完全摒弃现实数据的情况极少。这主要是因为仅用合成数据训练存在导致模型性能下降的风险。
来自 AI Disclosures Project 的新论文指出，OpenAI 可能在 GPT-4o 模型训练中使用了 O’Reilly Media 的付费墙书籍内容。论文强调，GPT-4o 作为 ChatGPT 默认模型，与 O’Reilly Media 之间并不存在许可协议。
论文共同作者写道：“与早期 GPT-3.5 Turbo 相比，最新且能力更强的 GPT-4o 对 O’Reilly 付费墙书籍内容的识别能力显著增强；相比之下，GPT-3.5 Turbo 仅对公开可访问的样本表现出较高识别率。”
该研究采用 2024 年首次提出的 DE-COP 方法（又称“成员推断攻击”），旨在检测语言模型训练数据中的受版权保护内容。该方法测试模型能否可靠区分人类文本与改写后的 AI 生成版本；若能区分，则表明训练数据可能已包含该文本的先验知识。
论文共同作者 O’Reilly、Strauss 及 AI 研究员 Sruly Rosenblat 探测了 GPT-4o、GPT-3.5 Turbo 等模型对 O’Reilly Media 在训练截止日期前后出版书籍的知识掌握情况。他们使用 34 本书籍的 13,962 段摘录，估算特定内容被纳入训练数据集的概率。
结果显示，GPT-4o “识别”出的 O’Reilly 付费墙书籍内容远多于旧模型（尤其是 GPT-3.5 Turbo）。作者表示，即使排除新模型在判断文本来源方面能力提升等混淆因素，该结论依然成立。
共同作者指出：“GPT-4o [很可能] 识别并因此拥有许多在其训练截止日期前出版的非公开 O’Reilly 书籍的先验知识。”
作者谨慎强调，这并非确凿证据。实验方法并非万无一失，OpenAI 也可能通过用户将付费墙书籍片段复制粘贴至 ChatGPT 而收集到相关内容。
此外，合作作者并未评估 OpenAI 最新模型系列（包括 GPT-4.5 及 o3-mini、o1 等“推理”模型）。这些模型可能未使用付费墙内书籍训练，或相关数据量少于 GPT-4o。
尽管如此，OpenAI 寻求高质量训练数据并非秘密，该公司一直主张放宽使用受版权保护数据的限制，甚至聘请记者帮助微调模型输出。这也是行业趋势：AI 公司招募科学、物理等领域专家，将其专业知识输入 AI 系统。
需要注意的是，OpenAI 已为部分训练数据支付费用，并与新闻出版商、社交网络、图库媒体及其他机构签订许可协议。公司还提供了退出机制——尽管并不完美——允许版权所有者标记不希望用于训练的内容。
然而，随着 OpenAI 在美国法院就训练数据做法及版权问题面临多起诉讼，O’Reilly 的这篇论文对其而言并非有利评价。
截至目前，OpenAI 未回应置评请求。