观点

Claude 训练数据争议:拿到书就能用吗?

《Stanford Daily》质疑 Claude 训练数据涉及非法取得的教授著作。本文拆解购买、授权与训练使用的关系,并讨论模型公司应如何证明数据来源合法。

字号

《Stanford Daily》称,Claude 训练涉及非法取得的斯坦福教授著作。我梳理购买、授权与训练使用的边界,也解释这与模型公司的数据审计责任有什么关系。

原始报道:https://stanforddaily.com/2026/10/27/professors-books-pirated-to-train-claude/

讨论链接:https://news.ycombinator.com/item?id=50260814

先说明事实边界。

《Stanford Daily》提出了相关指控,但这不等于法院已经确认 Anthropic 侵权。公开材料的重点是训练数据的取得方式,以及这些作品是否获得训练授权。

真正值得追问的是:模型公司能不能证明数据来源合法?

一桩被 HN 推上首页的版权争议

《Stanford Daily》的报道标题称,教授著作被盗版并用于训练 Claude。

按报道摘要的口径,争议涉及具名斯坦福教授的作品。报道还讨论了“非法取得”与版权授权之间的冲突。

HN 讨论帖有 129 分、61 条评论。数字来自原始讨论页,不构成侵权成立的证据。

这里有两个概念需要拆开。

第一,拿到书不等于拿到训练授权。

作者卖书,或出版社把书交给渠道商,处理的是复制与发行。拿它建立语料库、训练模型,涉及另一组权利。

第二,非法取得不等于未经授权训练。

前者说的是书籍副本如何进入数据管道。后者要判断作品是否用于训练,以及这种使用在具体司法辖区如何定性。

模型效果越强,来源证明通常越难。

购买书,不等于获得训练授权

假设公司买了一本纸质书,或通过合法书店拿到电子版。这只能证明它取得过一个副本,不能自动证明它获得训练和复制作品的权利。

如果副本来自盗版库,权利链条可能从一开始就断了:

作者或出版社
  ↓ 授权
数据集供应商
  ↓ 转授权
模型公司
  ↓ 抓取或接收
训练语料

任何一环缺少合同、授权范围或可追溯记录,都可能留下问题。

但这仍不能直接推出侵权结论。

《Stanford Daily》的报道指向非法取得。是否构成版权侵权,要结合具体事实与适用法律判断。训练使用是否构成复制,在不同法域和诉讼主张下也不能一概而论。

目前更准确的表述是:报道质疑了 Claude 训练数据来源的合法性。现有信息不足以把它写成已经确认的侵权事实。

证据掌握在谁手里,也是一道现实障碍。

作者通常能证明作品归属。模型公司则控制数据管道和内部记录,更适合说明训练集是否收录该作品、来源路径是什么。

所以,“购买不等于授权”是作者维权的基础命题。“公司应出示来源记录”是模型公司需要回答的审计问题。

训练数据审计为何一直缺位

行业披露通常停在较高层级。

公司可能说使用了公开数据、授权内容,或“经过筛选的数据”。但有用的审计要回答更具体的问题:

  • 包含哪些数据集与来源?
  • 每个来源的授权范围是什么?
  • 授权能否覆盖预训练、评测和持续训练?
  • 数据进入训练前,经过哪些去重、过滤与来源核验?
  • 收到版权方通知后,如何定位、删除或纠正相关记录?

这些不只是版权团队关心的问题。安全、模型评测和法务团队都需要数据血缘。

训练数据一旦失去可追溯性,公司很难回答三个问题:它在哪里用过,为什么影响输出,以及能否按要求移除。

公开清单也不能自动解决问题。清单可能只写数据集名称,不披露上游供应商。供应商也可能只承诺“合法来源”,却不给客户可审计的凭证。

这类似云基础设施的访问日志。客户说“数据在云上”,不代表完成了合规。还要知道谁访问过、何时访问、访问了哪些资源,以及日志是否可信。

Anthropic 会不会公开更细的来源说明、授权证明或第三方审计结果,现有材料无法支持任何确定判断。

作者、出版商和模型公司的责任边界

作者负责主张权利。

作者可以说明作品归属和授权情况。若模型输出与作品高度对应,还需要说明识别方法和证据。不能把“主题相关”直接当成“复制”。

出版社负责提供权利与授权链材料。

出版社知道哪些版本经过授权、授权给谁、范围是什么。它可以向模型公司或数据供应商核验合同,也可以说明作品进入数据集的路径。

模型公司负责解释数据治理。

如果公司声称已尽到合理审查义务,就要回答数据来自哪里、如何核验、为何特定作品被纳入。它不能控制数据管道,却只提供无法验证的概括性声明。

最终用户不是主要责任方。

企业采购 Claude API,不需要逐条审查训练集中的每一本书。个人使用 Claude,也不该成为数据链条的兜底责任人。

把压力全部转给用户,会形成错误的治理逻辑:上游无法证明合法,下游只能猜;下游猜错,上游仍不用解释。

更合理的做法是,让掌握训练管道的一方承担更高的披露和举证责任。作者维权,出版社提供记录,公司说明数据治理。

编辑思考

这次争议重要,不是因为已有法院判决,而是它可能改变行业提问方式:过去争“训练数据是否公开”,以后更要争“企业能否证明数据合法”。

我的判断是,未来采购 LLM 服务的合同会逐步加入数据来源审计、权利瑕疵通知和训练数据处理条款。这类要求也会出现在代码模型、开发工具和 AI Agent 平台中。客户需要知道,API 背后的模型由谁训练,数据记录保留多久,出现投诉后如何定位。

它与过去的版权争论不同。上游的非法取得来源与下游的训练使用,被放进了同一条证据链。若这类审计机制建立起来,争议就不再只是赔多少钱,也会成为模型公司的数据治理测试。

但现在仍有缺口。报道没有公开涉事教授的完整名单,也没有展示购买记录、数据集清单、授权合同或 Anthropic 的正式回应。现阶段不应把“被报道非法取得”写成“法院已认定侵权”。最值得等的是原始文件,不是更多二手标题。

来源: https://stanforddaily.com/2026/10/27/professors-books-pirated-to-train-claude/