觀點

Claude 訓練資料風波:買到書就能拿來訓練模型嗎?

《Stanford Daily》質疑 Claude 的訓練資料可能涉及非法取得的教授著作,但目前並無法院裁定 Anthropic 侵權。這場爭議的核心在於,模型公司能否提出可查核的資料來源、授權範圍與完整資料治理紀錄。

字級

《Stanford Daily》指出,Claude 的訓練可能使用了非法取得的斯坦福教授著作。本文梳理購買、授權與訓練使用之間的界線,也探討模型公司的資料稽核責任。

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

討論連結:https://news.ycombinator.com/item?id=50260814

先釐清事實範圍。

《Stanford Daily》提出了相關指控,但這並不代表法院已認定 Anthropic 侵權。公開資料的焦點在於訓練資料的取得方式,以及這些作品是否取得訓練授權。

真正需要追問的是:模型公司能否證明資料來源合法?

一宗被 HN 推上首頁的版權爭議

《Stanford Daily》的報導標題稱,教授著作遭盜版並被用於訓練 Claude。

依報導摘要的說法,爭議涉及具名斯坦福教授的作品。報導同時討論「非法取得」與版權授權之間的衝突。

HN 討論貼文獲得 129 分及 61 則留言。這些數字來自原始討論頁,並不能證明侵權成立。

這裡有兩個概念必須分開。

第一,拿到書不等於取得訓練授權。

作者賣書,或出版社將書交給通路商,處理的是複製與發行;將書本建立成語料庫並用來訓練模型,則涉及另一組權利。

第二,非法取得不等於未經授權進行訓練。

前者指的是書籍副本如何進入資料管線;後者則要判斷作品是否被用於訓練,以及這類使用在不同司法管轄區應如何定性。

模型能力越強,來源證明通常也越困難。

買到實體書,不等於取得訓練授權

假設公司買了一本紙本書,或透過合法書店取得電子版。這只能證明它曾取得一份副本,不能自動證明它擁有訓練及複製作品的權利。

如果副本來自盜版庫,權利鏈可能從一開始就已經斷裂:

作者或出版社
  ↓ 授權
資料集供應商
  ↓ 再授權
模型公司
  ↓ 抓取或接收
訓練語料

任何一環缺少合約、授權範圍或可追溯紀錄,都可能留下法律風險。

但這仍不能直接推導出侵權結論。

《Stanford Daily》的報導指向非法取得。是否構成版權侵權,仍須依據具體事實與適用法律判斷。訓練使用是否屬於複製,在不同法域與訴訟主張下,也不能一概而論。

目前較精確的說法是:報導質疑了 Claude 訓練資料來源的合法性。現有資訊不足以將其寫成已經確認的侵權事實。

證據掌握在誰手中,也是現實障礙之一。

作者通常能證明作品歸屬;模型公司則控制資料管線與內部紀錄,較適合說明訓練集是否收錄該作品,以及其來源路徑為何。

因此,「購買不等於授權」是作者維權的基本命題;「公司應出示來源紀錄」則是模型公司必須回答的稽核問題。

訓練資料稽核為何長期缺席

業界的揭露通常只停留在較高層級。

公司可能表示使用了公開資料、授權內容,或「經過篩選的資料」。但真正有價值的稽核必須回答更具體的問題:

  • 包含哪些資料集與來源?
  • 每個來源的授權範圍為何?
  • 授權是否涵蓋預訓練、評測與持續訓練?
  • 資料進入訓練前,经过哪些去重、過濾與來源核驗?
  • 收到版權方通知後,如何定位、刪除或更正相關紀錄?

這些不只是版權團隊關心的問題。安全、模型評測與法務團隊都需要掌握資料血緣。

訓練資料一旦失去可追溯性,公司就很難回答三個問題:這些資料曾在哪裡被使用、為何影響模型輸出,以及能否依要求移除。

公開清單也不會自動解決問題。清單可能只列出資料集名稱,卻不揭露上游供應商;供應商也可能只承諾「合法來源」,卻不向客戶提供可稽核的憑證。

這類似雲端基礎設施的存取日誌。客戶聲稱「資料放在雲端」,不代表已完成合規;還必須知道誰曾存取、何時存取、存取了哪些資源,以及日誌是否可信。

至於 Anthropic 是否會公開更詳細的來源說明、授權證明或第三方稽核結果,現有資料不足以支持任何確定判斷。

作者、出版商與模型公司的責任邊界

作者負責主張權利。

作者可以說明作品歸屬與授權情況。若模型輸出與作品高度對應,還需要說明辨識方法與證據,不能直接把「主題相關」等同於「複製」。

出版商負責提供權利與授權鏈的相關資料。

出版商知道哪些版本經過授權、授權給了誰,以及授權範圍為何。出版商可以向模型公司或資料供應商核對合約,也能說明作品進入資料集的路徑。

模型公司負責解釋資料治理。

如果公司聲稱已履行合理的審查義務,就必須回答資料來自何處、如何核驗,以及特定作品為何被納入。公司即使無法完全控制資料管線,也不能只提供無法驗證的概括性聲明。

最終用戶不是主要責任方。

企業採購 Claude API,不需要逐筆審查訓練集中的每一本書;個人使用 Claude,也不應成為整條資料鏈的最終責任人。

若將所有壓力轉嫁給用戶,就會形成錯誤的治理邏輯:上游無法證明合法性,下游只能靠猜測;下游猜錯了,上游仍不必解釋。

較合理的做法,是讓掌握訓練管線的一方承擔更高的揭露與舉證責任:作者維權、出版商提供紀錄、模型公司說明資料治理。

編輯觀察

這場爭議的重要性,不在於已有法院判決,而在於它可能改變產業提問的方式:過去聚焦「訓練資料是否公開」,未來更應追問「企業能否證明資料合法」。

我的判斷是,未來採購 LLM 服務的合約會逐步加入資料來源稽核、權利瑕疵通知與訓練資料處理等條款。這類要求也會出現在程式碼模型、開發工具與 AI Agent 平台中。客戶需要知道 API 背後的模型由誰訓練、資料紀錄保留多久,以及發生投訴後如何定位問題。

這與過去的版權爭論不同。上游的非法取得來源與下游的訓練使用,如今被放進同一條證據鏈。若這類稽核機制建立起來,爭議的重點就不再只是賠多少钱,也將成為檢驗模型公司資料治理能力的試金石。

但目前仍有缺口。報導沒有公開涉事教授的完整名單,也未展示購買紀錄、資料集清單、授權合約或 Anthropic 的正式回應。現階段不應把「被報導非法取得」寫成「法院已認定侵權」。最值得等待的是原始文件,而不是更多二手標題。

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