《紐約時報》起訴 OpenAI 和微軟的版權案，近日披露了更多未刪節的資料。新文件顯示，兩家公司內部曾多次討論，AI 對新聞內容的依賴，可能直接衝擊出版商的流量、收入和就業基礎。
內部文件提到「盜竊」
根據訴訟文件，微軟的一名高層曾私下將 AI 的抓取行為描述為「盜竊」。在另一份2023年1月的內部備忘錄中，微軟應用科學總監 Brent Hecht 更將其稱為「前所未有の驚愕的な盗竊」，並寫下了「人類史上最大規模の労働盗竊」と的描述。
文件還顯示，OpenAI 內部也討論過類似風險。負責 ChatGPT 的 Nick Turley 在內部溝通中稱，聊天機器人類產品對出版商構成「生存威脅」，而且隨著模型能力的增強，這種替代性會越來越強。
新聞網站流量受壓
訴訟資料稱，微軟自己的數據表明，Copilot的「答案引擎」讓用戶更少點擊原始新聞網站。與傳統的Bing搜索相比，流向《紐約時報》域名の點擊率最高下降93%。
Hecht 在 2024 年 1 月的一份內部演示文稿中，將這種趨勢稱為「末日循環」。文件中指出，如果內容提供方的商業基礎被削弱，模型本身和整個網絡生態都會受到拖累。
微軟 CEO 纳德拉今年在證詞中亦表示，凡是有付費牆的內容，任何希望將其用於訓練或檢索增強的人應該取得授權。他還稱，如果當時自己知道 OpenAI 抓取了付費牆後的內容用於訓練，微軟本可以要求 OpenAI 重新訓練模型。
抓取方式與數據規模曝光
新披露的資料還描述了兩家公司如何獲得新聞內容。訴訟稱，OpenAI和微軟通過大規模抓取建立訓練數據集，其中部分內容來自Bing索引，也包括大量來自Common Crawl的網頁數據。
- 中期訓練數據含逾91,692份新聞作品副本
- nytimes.com 在一組數據中超過200萬份文件
- Project Mango 包含至少 160,903 篇獨立作品的副本
文件還指控，OpenAI的員工曾討論如何在不被發現的情況下繞過《紐約時報》的付費牆，並在訓練前移除版權聲明，以避免模型向用戶輸出相關版權信息。
強制要求： 1. 只輸出翻譯後的內容，不要輸出 JSON、不要輸出 Markdown 代碼塊。 2. 不要解釋、不要總結、不要補充原文不存在的資訊。 3. 不要省略任何內容，必須完整翻譯全部輸入。 4. 如果輸入包含 HTML，只翻譯標簽之間的可见文本，不要翻譯、刪除、改寫或轉義任何 HTML 標簽和屬性。 5. HTML 標簽名、屬性名、屬性值、引號、空格、標簽順序必須保持不變。 6. img、br、hr、input 等無可見文本的標簽必須原樣保留。 7. 保留數字、貨幣符號、交易對、URL、Markdown 格式。 8. 保留形如 __BJWKEEP_00001__ 的佔位符，必須逐字原樣輸出。 9. 佔位符不能翻譯、刪除、拆分、移動、改變大小寫、改變下劃線或改變編號。 10. 佔位符是系統保護標記，不屬於自然語言。必須逐字符複製，包括所有下劃線和數字。輸出前請檢查每個佔位符是否與輸入完全一致。 11. 佔位符不是人名，不要把佔位符改寫成任何目標語言的人名、機構名或其他詞。 12. 不要輸出 User、Assistant、System 等角色名或對話前綴。目前部分底層證據仍處於封存狀態，這次公開的新增內容主要來自《紐約時報》提交的法庭文件；OpenAI和微軟都未回應TechCrunch的置評請求。
