去年，人工智能巨头OpenAI与阿克塞尔·施普林格（Axel Springer）达成财务协议和伙伴关系时，外界曾认为这预示着文字创作者与AI技术公司之间的和谐。作为参考，OpenAI当时也与美联社（AP）达成了类似协议。
然而随着年底临近，《纽约时报》起诉了OpenAI及其支持者微软，指控该AI公司的生成式AI模型“通过复制和使用《纽约时报》数百万篇受版权保护的新闻文章、深度调查报道、评论文章、书评、操作指南等构建而成”。《纽约时报》认为这是“非法使用[其]作品来创建人工智能产品”，指出OpenAI的模型“能够逐字复述《纽约时报》的内容、对其进行紧密摘要并模仿其表达风格，正如大量示例所证明的那样。”
生成式AI：将教育转变为个性化、令人上瘾的学习体验
如何平衡尊重版权与确保AI开发不滞后的需求，这一问题短期内难有定论。但创作者与AI公司之间达成的协议及充满争议的纠纷，已给双方带来不愉快的时刻。科技公司正忙于将基于含版权材料训练的新生成式AI模型整合到软件产品中，其中微软处于领先地位；而媒体公司多年来投入巨资建立的语料库被纳入机器训练，却未获得任何回馈，这令他们感到愤怒。
这一论点可从两个角度看待。一方面，科技公司有爬取互联网、收集分析信息以帮助个人导航数据的传统（即搜索引擎），为何AI训练数据会有所不同？另一方面，媒体行业近年来持续衰退，《纽约时报》作为重量级代表，不愿看到依赖其工作的科技产品获取巨额收入，而原创工作者却回报微薄甚至一无所获。
我们无需在此选边站。相反，让我们来看看AI数据训练辩论中正在发挥作用的几个关键论点，这些论点塑造了人们对此问题的看法。这将是2024年的一个关键问题，对双方都具有教育意义且十分有趣。
《纽约时报》的论点
诉讼文件值得通读全文。鉴于篇幅，完整总结不可能，但以下几个关键点至关重要：
首先，《纽约时报》指出制作高质量新闻成本高昂，且版权对于保护其作品及商业模式运作至关重要。
其次，《纽约时报》历来有授权材料的先例，但明确区分了搜索引擎协议与AI用途：“虽然《纽约时报》允许搜索引擎访问内容以在传统搜索结果中展示，但从未允许任何实体（包括被告）出于生成式人工智能（GenAI）目的使用其内容。”
针对“LLM在海量数据上训练，特定片段来源是否重要”的质疑，《纽约时报》给出了肯定回答。诉讼指出，“GPT-2的训练数据集包括OpenAI内部构建的‘WebText’语料库，其中包含了‘由Reddit社交网络用户发布的4500万个链接的文本内容’。”《纽约时报》是该数据集的主要来源之一。OpenAI称构建WebText是为了强调材料质量，这意味着使用《纽约时报》材料是为了提升模型质量。
随后是GPT-3使用的WebText2。尽管其在GPT-3训练混合数据中占比不到4%，却被赋予了22%的权重。在WebText2中，“《纽约时报》的内容——共计209,707个唯一URL——占OpenWebText2中所有来源的1.23%。”
此外，《纽约时报》的材料在CommonCrawl数据集中也有良好体现，该论文将其描述为“GPT-3中权重最高的数据集”。过滤后的2019年Common Crawl快照英文子集中，www.nytimes.com域名是仅次于维基百科和美国专利数据库的第三大代表性专有来源，占据了1亿个token。
《纽约时报》进一步辩称，OpenAI后续GPT模型中可能存在类似情况。因质量高而被赋予额外权重却无需付费，这正是OpenAI需在合理使用规则下辩护的问题。
归根结底，《纽约时报》的论点是：“你们拿走我们的内容优化产品并借此获利，理应为所用内容付费。”
技术视角
去年四月，美国版权局举行了包括风投、科技界代表及权利持有人的讨论。知名风投a16z认为，“绝大多数情况下，生成式AI服务的输出在版权意义上并不与用于训练模型的特定受版权保护作品‘实质性相似’。”
a16z补充称，“用于创建AI模型的数据量如此庞大，以至于集体许可制度实际上无法奏效。大型语言模型的训练本质上涵盖了全部书面文字语料库。”不过，LLM虽摄入大量内容，但并非对所有内容赋予同等权重，这将如何影响风投界的论点仍有待观察。
在十月的评论中，a16z再次向美国版权局提交观点，辩称“为开发具有非侵权产出的生产性技术而制作受版权保护作品的副本时，版权法长期以来一直通过合理使用原则认可并支持这些用途”。若无此原则，搜索引擎和在线图书搜索将无法运作。“每项技术都涉及对受版权保护作品的大规模复制，不构成侵权的原因在于这种复制服务于非剥削性目的：从作品中提取信息并加以利用，以扩展其原本功能。”
对a16z而言，AI模型训练同理：“大规模使用受版权保护作品训练AI模型——通过让模型从中隔离出统计模式和非表达性信息——也不构成版权侵权。若强加实际或潜在版权责任成本，将会扼杀或严重阻碍AI发展。”
总结科技界的论点大致是：“将大量数据（含受版权保护数据）摄入科技产品而不付费是有先例可循的，这不过是换了件新外衣。”
另一种思考方式
科技思想家、前a16z合伙人本尼迪克特·埃文斯（Benedict Evans）深入探讨了这一问题，并提出：
一种思考方式是，AI使以前仅在小规模上可行的事情在大规模上变得切实可行。这可能是警察口袋里的通缉令照片与每个街角安装人脸识别摄像头之间的区别——规模的差异可能带来原则性的差异。我们希望得到什么结果？法律能是什么样的？法律是可以改变的。
《纽约时报》和科技行业正在争论现行法律。埃文斯指出，AI模型创建所需的数据摄入规模可能创造现有法律无法适应的场景。只要民选官员仍能立法，法律就可以改变。
综上所述，《纽约时报》用证据证明其数据因质量高而在训练中被优先选用，既然受版权保护且被特定使用，理应获得报酬。OpenAI及其支持者则希望现有的先例和合理使用法律保护足以控制风险，同时利用新技术获利。最后，我们或许也需要制定新法律来应对此类情况，因为现行制度可能并未从合适的规模视角出发来处理当前问题。
就个人而言，我不指望OpenAI会为我被摄入的作品支付费用。但我并不拥有这些作品的绝大部分版权——我的现任和前任雇主才拥有它们。他们掌握更多素材和法律资源，同样具备盈利动机，可能会间接卷入这场纠纷，使相关报道更加敏感。说不定这些报道本身就能帮助未来的AI模型向其他人解释，为什么他们无需为此付费。