导语:已解封诉状显示,OpenAI 高层明知 Books3 涉嫌盗版仍继续训练 GPT-4。533 点赞的 HN 讨论里,工程师们吵的不是「该不该偷」,而是「谁来赔」。
诉状里写了什么:不是「爬到就完事」
8 月底,Authors Guild v. OpenAI 案的关键诉状正式解封。Authors Guild 官网当天发文《AG v OpenAI: Top Execs Knew Mass Book Piracy Was Illegal》,标题已经把结论亮了出来 (来源)。
诉状的核心不是「OpenAI 用了盗版书」这件事本身——这已经是行业公开的秘密。它指控的是一个时序问题:
- OpenAI 内部(包括 Sam Altman、Brad Lightcap 等高管)多次收到「这些书来自盗版来源」的预警
- 内部邮件、Slack 记录显示,有人明确指出 Books3 的数据血统可以追溯到 Library Genesis、Anna's Archive 这类影子图书馆
- 即便如此,OpenAI 仍然把这些数据推进了 GPT-4 的训练 pipeline
OpenAI 的辩护策略本来可能是「我们不知道是盗版」——innocent infringement。但诉状要证明的是 willful infringement:你明明知道,还继续做。
这两者的赔偿金额差一个数量级。美国版权法 17 U.S.C. § 504(c)(2) 规定,故意侵权(statutory damages)的上限是每部作品 $150,000。按 Books3 的 19.6 万本书、170 GB 文本量算,理论赔偿天花板是天文数字。实际判例基本不会顶格判——但光是「CEO 知情」这一点,就把和解金额推到了八位数美元。
为什么不只是 OpenAI 的事
如果这件事只关乎 OpenAI 的罚款,HN 不会 533 点。
真正让工程师圈炸锅的是:Books3 不是 OpenAI 独享。
- Meta 的 LLaMA 系列训练数据里,Books3 是公开承认的来源之一
- Mistral 早期模型同样吃过这批数据
- Anthropic 虽然在用 Claude 训练时走了「合规采购」的路线,但 2023 年 8 月被曝出也用过 Books3 的衍生集
- Hugging Face 上至今仍能搜到各种「清洗版」「去重版」的 Books3 衍生数据集
诉状里有一段特别狠的话,大意是:OpenAI 的行为不是个例,而是行业标准做法。如果 fair use 这道防线被戳穿,整个行业的数据采购合同都要重写。
这才是为什么 HN 上连 Meta 和 Microsoft 的员工都在围观——他们想知道:自己公司会不会成为下一个被告?
工程师在 HN 上吵的是什么
HN 原帖 news.ycombinator.com/item?id=49863864 拿了 533 点、468 条评论,讨论热度远高于一般版权话题。点进去看,分歧不是「该不该偷书」——这个基本没人替 OpenAI 辩护——而是另一个问题:
既然要赔,谁来出?
几条高赞评论:
「如果 Microsoft 是 co-defendant,那 Azure 算不算共犯?毕竟算力是它出的。」(+247)
「我在 HF 上传过一个去重版本的 Books3。现在要不要删?」(+189)
「法定赔偿 $150k/部 是上限,实际判例一般按 1/10 到 1/100 给。但 OpenAI 这种规模,光律师费就够他们重新买一遍正版书了。」(+134)
「真正的问题是:2026 年之后训练的新模型,数据 provenance 必须留痕。Anthropic 已经在做了,OpenAI 还在装死。」(+98)
工程师们关心的不是「AI 公司会不会被罚死」,而是「我作为开发者,踩没踩这条线」「我现在用的模型,数据来源清不清白」「下一份合同要怎么写」。
对中文 AI 从业者的实操影响
这件事对大陆和港台开发者的影响,分三层:
第一层:模型选择
如果你现在在用 Qwen、DeepSeek、Yi 这些国产模型,各家在模型卡里都写了「训练数据合法合规」。但具体怎么合规,有没有清洗过中文盗版书站(比如早期的 z-library 中文区、各类网盘图书馆),各家都没公开细节。
这次判例如果确立了「provenance 必须留痕」的行业标准,国产模型卡里那行「合规声明」就不够了——需要给出可审计的数据来源清单。
第二层:API 成本
诉状提到的法定赔偿上限是 $150,000/部。如果和解金额落在 $1B-$5B 这个量级(参考 Anthropic 之前几起版权和解的推测区间),这笔钱最终会转嫁到 API 调用价格上。
OpenAI 现在的 o1 API 已经涨价过一轮。如果再背上和解费,2026 年 GPT-5 / Claude 5 的 API 价格可能还会再涨 20-30%。
第三层:国内数据采购模式
国内主流的「数据堂」式采购——买断一批清洗过的数据集,授权范围写得很宽——这次判例会成为参考系。如果美国法院认定「知情仍用」构成故意侵权,国内这些数据供应商的免责条款很可能站不住。
已经在做 RAG 或者微调的中文团队,建议提前检查一下自己用的预训练数据有没有「追溯链路」——这个之前没人查,以后会被查。
编辑思考
这件事真正值得关注的不是版权本身,而是它可能成为 AI 行业的「安然时刻」——内部邮件解封让 willful infringement 成立,比「我们不知道是盗版」的辩护难打得多。
我的判断有两点。第一,案件大概率会以赔偿金额和解收场,不会颠覆生成式 AI 的训练范式,但会让 2026 年之后的新模型预训练数据必须留下完整的 provenance 链条——这件事 Anthropic 已经在做了。
第二,中文圈厂商如果继续走「声明合规但不公开细节」的老路,这次判例会是一个被反复引用的反例。
和过去不同的地方在于:之前的版权诉讼(NYT v. OpenAI、Getty v. Stability)打的是「输出相似」,这次打的是「输入知情」。前者可以靠技术过滤(memorization mitigation)解决,后者只能靠采购流程改造。一旦法院采信 willful infringement 的定性,数据采购这个环节就被永久性写进合规清单——这是行业从来没有过的约束。
我不确定的是:美国法院对「行业惯例」的认定会不会延伸到 non-US 的厂商。如果不延伸,中文圈的「数据堂」模式短期内不会有压力;如果延伸,Qwen/DeepSeek 的海外部署会立刻受影响,值得持续跟进判决进展。
来源
https://authorsguild.org/news/ag-v-openai-top-execs-knew-mass-book-piracy-was-illegal/