如果说有什么比被指控偷东西更尴尬的，那就是：你在自己的内部文件中早就承认了。
“全世界数百万人，很快就会把大模型‘吸干’他们作品的行为，视为一场人类史上最大规模的盗窃。”——这句话，不是出自哪位愤怒的作家或批评者之口，而是微软应用科学部门主管 Brent Hecht 在 2023 年 1 月一份内部备忘录里写下的。
最近，随着《纽约时报》起诉 OpenAI 和微软版权案的大量未删节法庭文件解封，科技巨头们长期以来坚称“AI 训练属于合理使用”的法律防线，正在被他们自己的内部言论一块块拆掉。
AI 一边“吃”内容，一边抢走内容的流量
事情要从2023 年《纽约时报》与 OpenAI、微软的版权大战说起。
2023 年，《纽约时报》起诉两家公司，指控其未经许可使用大量新闻内容训练生成式 AI 模型。OpenAI 和微软则主张，这类训练行为受到美国版权法“合理使用”（Fair Use）原则保护，模型并非简单复制原作品，而是经过训练后形成了具有新用途的系统。
这场官司一打就是三年，期间大量关键信息被两家公司以“商业机密”为由申请封存或涂黑——直到今年 9 月 17 日，美国纽约南区联邦法院终于解封了《纽约时报》等新闻出版商提交的简易判决书，那些此前被涂黑的段落才第一次公之于众。
结果，一公开就炸了。
例如，诉讼文件中显示，微软内部曾统计过一个相当直观的数据：与传统 Bing 搜索相比，微软 Copilot “答案引擎”带给《纽约时报》网站的点击率最高下降了 93%。也就是说，过去用户搜索到一篇新闻后，还需要点击链接进入《纽约时报》；现在，AI 可以直接把信息整理成答案，用户甚至不需要打开原网页。
对此，OpenAI 内部的一名软件工程师也有过非常直白的描述：
“不管我们把链接放得多么显眼，用户都不会点击。”
而 OpenAI ChatGPT 负责人 Nick Turley 更直接地写道，出版商正面临来自 AI 产品的“生存性威胁”，因为这些产品“很大程度上具有替代性”，而且随着能力提升，这种替代性还会越来越强。
微软内部称其为“死亡循环”
在 Brent Hecht 撰写的一份微软内部报告中，直接把这种局面描述为“死亡循环”（doom loop）。
原因很简单：如果用户可以直接向 AI 提问，并在 AI 产品里获得整理好的答案，那么他们就没有那么强的动力再点击原始新闻网站。但这又可能进一步减少媒体获得的流量和收入，最终让媒体减少内容生产，进而影响 AI 模型未来可以获得的高质量训练数据。
为此，Brent Hecht 在内部文件中写道：
“终端产品威胁其核心供应商的经济基础，这种情况‘非常不寻常’。但对于我们的 LLM 业务而言，这恰恰是我们围绕‘内容供应链’所创造出来的局面。”
在他看来，这不仅可能会影响新闻媒体，同时也可能“损害模型表现和整个互联网”。
换句话说，AI 公司正在面临一个相当尴尬的问题：模型越擅长替用户提供信息，用户越不需要访问原始网站；而原始网站如果因此失去收入，就可能减少内容生产，最终反过来影响 AI 模型的数据来源。
“史上最大规模的劳动力盗窃”，到底指什么？
如开头所说，Brent Hecht 在那份内部备忘录中写道，未来全球数以百万计的人会认为，大模型“吸走”他们创造的一切，是一种“规模惊人、前所未有的盗窃”，甚至是一场“人类历史上最大规模的劳动力盗窃”。
他还指出，几乎没有人希望自己创造的内容以这种方式被使用，也没人因此获得补偿。
这里的“劳动力”并不只是记者——新闻报道、书籍、博客、代码、图片等大量互联网内容，本质上都是人类投入时间和劳动创造出来的。而大模型的训练，需要从海量数据中学习语言、知识和表达方式。对于 AI 公司来说，这些数据是模型能力的基础；但对于内容创作者来说，它们同样代表着自己的劳动成果。
而此次文件披露的数据，也让这种规模有了更加直观的概念：
根据《纽约时报》提交的文件，OpenAI 部分“中期训练”（mid-training）数据集中，仅来自《纽约时报》、《每日新闻》以及调查报道中心的作品副本，就超过 91692 份。
另一个源自 Common Crawl 的数据集，仅从 nytimes.com 一个网站就包含超过 200 万份文档。
此外，微软和 OpenAI 还被指通过 Project Taxi、Project Mango 等项目交换和整理训练数据，Project Mango 数据集中据称包含至少 160903 份来自新闻出版商的独立作品。
说到这里，问题来了：这些内容、尤其是付费内容，究竟是如何进入AI 训练数据的？
根据诉讼文件显示，OpenAI 研究员 Nick Ryder 曾告诉联合创始人 Greg Brockman，自己找到了一个“绕过《纽约时报》付费墙的 hack”。对此，Brockman 只轻描淡写地回复了一句：“啊，不错。”
此外，文件还指称，OpenAI 曾构建 WebText、WebText2 等训练数据集，大量使用抓取而来的新闻内容，还同时从 Common Crawl 等开放网页数据集中获取了数百万篇文章。不仅如此，研究人员还曾有意删除其中的版权声明，因为他们不希望模型最终向用户输出这些“版权声明”。
对此，《纽约每日新闻》的律师 Steven Lieberman 说得很直白：“此次披露的证据首次表明，OpenAI 和微软一开始就知道自己所做的事情是错的。”
微软 CEO 也曾承认：付费内容应该获得授权
在此次曝光的材料中，还有一个有意思的反差。
微软 CEO Satya Nadella 在今年的证词中曾说，“任何处于付费墙后的内容，如果要用于 AI 训练或内容支撑，就应该获得授权”。他还表示，如果自己当时知道 OpenAI 使用了付费墙后的内容进行训练，他会“行使微软的权利，要求OpenAI 重新训练其模型”。
这两句话放在一起，意思很明确：如果我知道你干了这事，我会阻止你——可问题是：微软自己的 Bing 就是 OpenAI 抓取内容的渠道之一，Satya Nadella 是真的不知道吗？
不过，微软目前也强调，以上 Brent Hecht 的相关内部备忘录仅属于“员工的个人观点”，并不代表“公司立场”，并坚持在诉讼中主张，其对内容的使用符合版权法中的合理使用原则，并认为 Copilot 并不是新闻出版商内容的替代品。
这场版权官司最终会如何判，目前还是要交给法院；AI 训练是否属于合理使用，也不会因为几份内部文件就有定论。但至少，有一点已经很清楚了：
当一家公司的内部备忘录把自己的行为称为“人类历史上最大的劳动力盗窃”，当自己的数据证明产品让内容提供方的流量暴跌 93%，当自己的高管承认产品“具有替代性”——这个“合理使用”的辩护，可能也没有那么好打了。
那么，你对于这场版权官司，又有何看法呢？
参考链接：
https://www.404media.co/doom-loop-openai-and-microsoft-admits-llms-are-destroying-the-web-and-built-on-theft/
https://techcrunch.com/2026/09/17/microsoft-exec-called-ai-scraping-the-largest-theft-of-labor-in-human-history-new-unredacted-filings-reveal/
同时，我们整理了 《RSI（递归自我改进 / 自进化）前沿研究资料包》，汇总 OpenAI、Anthropic、Google、DeepSeek、智谱、Kimi、阿里等最新论文、官方技术报告与研究出处。
