實戰

同一家資料標註商,讓 OpenAI、Anthropic、Meta 同時踩雷

一家資料供應商被指控同時為三大 AI 巨頭提供版權與合規有疑慮的訓練資料,揭露整個 AI 資料採購鏈的審計漏洞,中小公司受創程度遠超大廠。

字級

事件速覽:一家公司,三個被告席

effort.news 的一篇深度調查,揭出一家資料供應商同時被指控為 OpenAI、Anthropic、Meta 三家提供存在版權與合規問題的訓練資料。這則調查在 Hacker News 衝上首頁,拿下 146 分、44 則討論,留言區幾乎沒人覺得「這只是小道消息」。

來源:effort.news /irregular 和 HN 討論(item id 49704132)。

為什麼是一家不起眼的公司

過去兩年,大眾與媒體的目光都集中在模型本身。GPT-4o 的多模態能力、Claude 3.5 的程式碼表現、Sora 一分鐘的影像輸出、LLaMA 3 的開源策略;Scaling law、test-time compute、MoE 架構……這些名詞被反覆討論。

但沒有人問:這些模型吃進去的資料,究竟從哪來?

這就是資料標註、採購、清洗公司在整個產業鏈中的定位——最不透明的一環。

從報導方向推測,它八成同時在做三件事:

  • 為頂級實驗室進行大規模 SFT / RLHF 資料標註
  • 以中間商身分從語料網站、出版社、UGC 平台採購原始資料
  • 執行去識別化、去除版權痕跡等「清洗」作業

這不是單一公司的錯,而是整個產業的問題。資料層沒人想做審計,因為一查下去,整條鏈路都得打掉重練。

AI 公司的「供應商盡職調查」到底做了多少

對外喊著「負責任 AI」、簽下各種版權承諾,Anthropic 甚至特別發過一篇文章說明訓練資料的版權合規審查流程。聽起來煞有介事。

但把採購鏈展開來看,這些承諾基本上是空頭支票。

典型鏈路:

  1. AI 公司與一家 Tier-1 資料供應商簽約(簽 NDA、立承諾)
  2. Tier-1 再轉手給 Tier-2(通常是人力成本更低的區域)
  3. Tier-2 再分包給個人或小工作室(Upwork、五人群組)
  4. 最終資料來自某個盜版論壇、未授權爬蟲、OCR 出來的盜版書籍

AI 公司的法務團隊只查得到第 1 層。第 2 層以下的原始資料來源、是否取得授權、清洗過程是否破壞了版權浮水印,沒人知道,也沒人想知道。

這就是這次的審計黑洞。

真正的受害者不是大廠

OpenAI、Anthropic、Meta 各自坐擁數十億美元現金和數百人規模的律師團。他們吞下幾張訴狀的成本,等於一家中型 AI 新創一整年的研發預算。

真正被連坐的是中小型 AI 新創:

  • 他們使用第三方閉源模型 API(Claude / GPT),模型訓練資料合不合規,自己也說不清
  • 他們用不起 Scale AI 等級的資料採購,只能用現成的 dataset
  • 當產業信任崩塌、監管收緊、用戶退訂,他們既沒有合規預算,也沒有自建資料團隊可以兜底

結果就是:大廠繳完罰款繼續跑,中小公司直接倒。

能學到的工程教訓

如果你正在做一個依賴第三方資料或模型的 AI 產品,下面三條可以救命:

1. 資料來源留痕

每一批訓練資料、SFT 資料、RAG 語料,都要有來源清單。不是丟個 Excel 就好,要有版本號、蒐集日期、授權類型、清洗步驟。出事的時候你能 30 分鐘內拿出 evidence chain。

import json
from datetime import datetime

def log_dataset(dataset_id, source, license, steps):
    record = {
        "dataset_id": dataset_id,
        "source": source,
        "license": license,
        "collected_at": datetime.utcnow().isoformat(),
        "processing_steps": steps,
    }
    with open(f"lineage/{dataset_id}.json", "w") as f:
        json.dump(record, f, indent=2)

log_dataset(
    "rag-corpus-2025-q1",
    source="internal-crawl + licensed-feed-A",
    license="CC-BY-SA-4.0 + commercial-license-2024-11",
    steps=["dedup", "pii-redaction", "quality-filter-v3"],
)

2. 供應商合約裡加 audit 條款

不是寫一句「供應商承諾資料合規」就交差。要寫清楚:

  • 供應商必須保留 24 個月的原始資料來源紀錄
  • 採購方有權在 30 天內對二級分包商進行稽核
  • 合規問題一旦認定,採購方有權立即終止合約且不付尾款

合約能談到多少,看你的採購量。但至少要爭取。

3. 關鍵場景自建 fallback

不要把核心產品完全壓在第三方身上。如果你的產品重度依賴某個閉源模型的某項能力,至少要有一套開源替代方案(Qwen、Llama、DeepSeek)做備援。資料層也是一樣,核心場景的標註資料,能自建就自建,哪怕只覆蓋 20% 的流量。

編輯思考

這件事跟過去的版權訴訟(NYT vs OpenAI、Getty vs Stability)最大的差別,在於這次戳破的是整個資料供應鏈的「外包免責」幻覺。之前告的是大廠「你用了我的內容」,這次戳的是:你以為 AI 公司站在原告對面,其實它們自己也是這條骯髒鏈的下游受害者——或者更精確地說,是裝睡的那一方。

我的判斷(反共識):這件事短期內不會改變採購模式,反而會讓大廠法務加速做「反向清洗」——把所有責任推給分包商,自己扮演「我也是受害者」的角色。effort.news 這篇報與其說是給監管的彈藥,不如說是給 PR 團隊的劇本。

不過有一點跟過去不同:EU AI Act 已經進入執行階段,審計需求是剛性的,不再是公關選項。這是供應鏈透明化的第一個實質推力,不是輿論。

不確定的部分:被點名的這家資料供應商,會不會因為合作條款裡的保密與仲裁機制而消失在法律迷霧裡?調查報導打開了缺口,但能不能撬動實際揭露,半年內見分曉。

從工程師的角度,有一點是確定的:自己手中的 data lineage,現在就開始整理。再拖一年,就是把刀遞給別人。


參考來源:

來源: https://www.effort.news/irregular