實戰

OpenAI 高層明知 Books3 是盜版仍照練 GPT-4:從 Authors Guild 訴狀看 AI 產業的版權風暴

Authors Guild 訴狀解封後揭露,OpenAI 高層明知 Books3 涉及盜版仍將其推進 GPT-4 訓練流程。HN 上 533 點的討論中,工程師們爭論的焦點不是「該不該用」,而是「這筆帳誰來付」。

字級

訴狀裡寫了什麼:不只是「爬到資料就沒事」

8 月底,Authors Guild v. OpenAI 案的核心訴狀正式解封。Authors Guild 官網當天發布文章《AG v OpenAI: Top Execs Knew Mass Book Piracy Was Illegal》,標題已經直接把結論攤開來 (來源)。

訴狀的重點不在「OpenAI 用了盜版書」這個事實——這早已是業界公開的秘密。它要追問的是一個時序問題:

  • OpenAI 內部(包括 Sam Altman、Brad Lightcap 等高階主管)多次收到「這些書來自盜版來源」的警示
  • 內部郵件與 Slack 紀錄顯示,有人明確指出 Books3 的資料血統可追溯至 Library Genesis、Anna's Archive 等影子圖書館
  • 即便如此,OpenAI 依然把這些資料推進了 GPT-4 的訓練 pipeline

OpenAI 原本的辯護策略可能是「我們不知情」——也就是 innocent infringement。但訴狀要證明的是 willful infringement:你明明知情,卻繼續做。

這兩者之間的賠償金額差一個量級。美國著作權法 17 U.S.C. § 504(c)(2) 規定,故意侵權的法定賠償(statutory damages)上限是每部作品 $150,000。以 Books3 的 19.6 萬本書、170 GB 文字量計算,理論賠償天花板是天文數字。實際判例通常不會頂格判——但光是「CEO 知情」這一點,就足以把和解金額推上八位數美元。

為什麼這件事不只關乎 OpenAI

如果事情只牽涉 OpenAI 的罰款,HN 不會拿到 533 點。

真正讓工程師社群炸鍋的是:Books3 並非 OpenAI 獨享。

  • Meta 的 LLaMA 系列訓練資料中,Books3 是公開承認的來源之一
  • Mistral 早期模型同樣吃過這批資料
  • Anthropic 雖然在訓練 Claude 時走的是「合規採購」路線,但 2023 年 8 月也曾被爆出用過 Books3 的衍生資料集
  • Hugging Face 上至今仍可搜到各種「清洗版」「去重版」的 Books3 衍生資料集

訴狀裡有一段特別尖銳的文字,大意是:OpenAI 的行為並非個案,而是整個業界的標準做法。如果 fair use 這道防線被攻破,整個產業的資料採購合約都得重寫。

這才是為什麼 HN 上連 Meta 和 Microsoft 的員工都圍觀——他們想知道:自己公司會不會成為下一個被告?

工程師在 HN 上吵的是什麼

HN 原帖 news.ycombinator.com/item?id=49863864 拿下 533 點、468 則留言,討論熱度遠超過一般著作權話題。點進去看,分歧不是「該不該偷書」——這個基本上沒人替 OpenAI 辯護——而是另一個問題:

既然要賠,誰來出?

幾則高讚留言:

「如果 Microsoft 變成共同被告,那 Azure 算不算共犯?畢竟算力是它出的。」(+247)

「我在 HF 上傳過一個去重版本的 Books3。現在要不要刪?」(+189)

「法定賠償 $150k/部 是上限,實際判例大概給到 1/10 到 1/100。但 OpenAI 這種規模,光律師費就夠他們重新買一遍正版書了。」(+134)

「真正的問題是:2026 年之後訓練的新模型,資料溯源必須留紀錄。Anthropic 已經在做了,OpenAI 還在裝死。」(+98)

工程師們關心的不是「AI 公司會不會被罰到倒」,而是「我身為開發者,踩沒踩到這條線」「我現在用的模型,資料來歷清不清白」「下一份合約該怎麼寫」。

對中文 AI 從業者的實務影響

這件事對華語圈開發者的影響,分三個層次:

第一層:模型選擇

如果目前使用的是 Qwen、DeepSeek、Yi 等中文模型,各家在模型卡上都標示「訓練資料合法合規」。但具體怎麼合規、有沒有清洗過中文盜版書站(例如早期的 z-library 中文區、各類網盤圖書館),各家都沒有公開細節。

這次判例若確立「溯源必須留紀錄」的業界標準,中文模型卡裡那行「合規聲明」就不夠看了——需要提供可稽核的資料來源清單。

第二層:API 成本

訴狀提到的法定賠償上限是 $150,000/部。若和解金額落在 $1B–$5B 這個級距(參考 Anthropic 先前幾起版權和解的推測區間),這筆錢最終會轉嫁到 API 報價上。

OpenAI 目前的 o1 API 已經漲過一輪。若再背上和解費,2026 年 GPT-5 / Claude 5 的 API 價格可能還會再漲 20–30%。

第三層:華語圈的資料採購模式

中文市場主流的「資料堂」式採購——一次買斷一批清洗過的資料集,授權範圍寫得很寬——這次判例會成為參考基準。如果美國法院認定「知情仍用」構成故意侵權,國內這些資料供應商的免責條款很可能站不住腳。

正在做 RAG 或微調的中文團隊,建議提前檢視自己使用的預訓練資料有沒有完整的「追溯鏈路」——這個之前沒人查,以後會被查。

編輯觀點

這件事真正值得關注的不是著作權本身,而是它可能成為 AI 產業的「安隆時刻」——內部郵件解封讓 willful infringement 成立,比「我們不知情」的辯護難打得多。

我的判斷有兩點。第一,案件大概會以賠償金額和解收場,不會顛覆生成式 AI 的訓練範式,但會讓 2026 年之後的新模型預訓練資料必須留下完整的溯源鏈條——這件事 Anthropic 已經在做。

第二,中文圈廠商若繼續走「聲明合規但不公開細節」的舊路,這次判例會是一個被反覆引用的反例。

和過去不同的地方在於:之前的版權訴訟(NYT v. OpenAI、Getty v. Stability)打的是「輸出相似」,這次打的是「輸入知情」。前者可以靠技術過濾(memorization mitigation)處理,後者只能靠採購流程改造。一旦法院採信 willful infringement 的定性,資料採購這個環節就會被永久寫進合規清單——這是業界從未有過的約束。

我不確定的是:美國法院對「業界慣例」的認定會不會延伸到 非美國 的廠商。如果不延伸,中文圈的「資料堂」模式短期內不會有壓力;如果延伸,Qwen/DeepSeek 的海外部署會立刻受到衝擊,值得持續追蹤判決進展。

來源

https://authorsguild.org/news/ag-v-openai-top-execs-knew-mass-book-piracy-was-illegal/

來源: https://authorsguild.org/news/ag-v-openai-top-execs-knew-mass-book-piracy-was-illegal/