AI大模型的秘密配方是什么？答案可能很简单：海量的盗版内容。

这在业内已经成了公开的秘密。某媒体的诉讼将OpenAI和微软推上被告席，这场战争迅速蔓延到整个硅谷。Meta因Llama模型使用盗版书籍被集体诉讼，Anthropic同样因Claude模型的训练数据被告，几乎所有头部玩家都面临法律挑战。

这场大模型与版权方的核心争议是：在未授权情况下，将受版权保护作品用作训练数据，究竟是合法的“变革性使用”，还是“侵权盗用”？

在众多悬而未决的案件中，进展最快的是Anthropic案。2025年6月的裁决给出了重要信号：模型训练行为本身因能创造出新事物，具有高度“变革性”，可能不构成侵权；但获取数据的方式若涉及盗版网站或未经授权复制，则难以被“合理使用”原则豁免。

根据计算，Anthropic或将面临7500亿美元天价赔款。这个信号让所有AI公司都捏了一把汗。大模型厂商们“先污染，后治理”的野蛮生长，或许要到头了。

数据获取的五种“野路子”

为了满足无止境的数据需求，各大模型厂商各自走出充满争议的野路子，每种都游走在法律边缘。

第一种方式是从公开内容中抓取，甚至主动清洗版权信息。AI公司利用强大网络爬虫，像撒下覆盖全球的巨网，将新闻网站、专业博客、学术论坛、社交媒体上的公开内容尽数捕捞，构建初期训练数据集。

例如，OpenAI在构建WebText数据集时，抓取了社交新闻网站Reddit上数百万个外部链接，间接将海量受版权保护内容纳入囊中，某媒体的文章赫然在列。

除了抓取，更致命的是清洗行为。某媒体的诉讼指出，OpenAI在抓取新闻内容时，系统性地移除了版权声明、作者署名、页脚等关键版权信息。这一行为被判定为数据获取性质发生根本性转变——从可能无意的“顺手牵羊”，升级为具有明确规避意图的“数据清洗”。

第二种方式是格式转换：从视频和纸书中提取文本。随着高质量公开文本日益枯竭，厂商们将目光投向其他格式内容载体，通过技术手段将其转换为纯文本，这种做法更为隐蔽。

典型手法是OpenAI对其语音识别工具Whisper的“妙用”。据称，OpenAI利用Whisper转录了超过一百万小时的YouTube视频内容。这意味着，无论是深度访谈、专业课程还是纪录片解说，这些视频中最核心的语言资产，在未经创作者许可的情况下被悄然提取出来，直接“喂”给了GPT-4，绕过了视频本身的视听版权。

Anthropic也采用了一种戏剧性手法。在意识到直接使用盗版书库的法律风险后，专门聘请前谷歌图书扫描项目负责人启动“物理世界洗白计划”：

第一步，批量采购：斥巨资从图书分销商和零售商处购买数百万本纸质书，其中不乏二手书。

第二步，物理转化：将这些书运至服务商处，由机器拆掉装订、裁切书页，然后逐页进行高速扫描，生成包含图像和可机读文本的PDF数字文件。

第三步，销毁原件：扫描完成后，纸质原件被直接丢弃。此举的核心目的是在法律上论证这是一种“格式转换”，而非创造了“额外的副本”，从而规避侵权指控。

第四步，数据建库：为这些数字化的图书建立详细书目信息数据库，并进行分词、清理等一系列复杂预处理，最终形成来源上看似“合法”的高质量训练数据集。

但这一行为恰恰证明了：第一，AI公司已充分认识到高质量数据的版权价值；第二，获取合规数据的成本远比想象中要惊人。

第三种方式是“影子图书馆”。在争分夺秒的技术竞赛和巨大性能压力下，部分公司选择使用盗版资源。

第四种方式是数据购买。面对如雪片般飞来的诉讼，大模型厂商中的激进派也在向保守派转变。

第五种方式是数据合作。苹果从一开始就将用户隐私和规则置于更重要的位置，宁愿在AI竞赛中起步较晚，也要通过明确授权许可和自有数据来规避法律风险。

版权方的战术转变

在两个战场上，版权方都打得异常艰难。在这种胶着状态下，版权方的诉讼策略发生决定性转向，找到了更根本、更致命的攻击点——数据的来源合法性。

法院的阶段性审理给出了微妙且影响深远的信号：一方面，初步裁决认为AI的输出内容和训练行为本身因“变革性”，或许不构成直接侵权，这在某种程度上为大模型的发展留下了空间，避免了技术创新被彻底扼杀；但另一方面，法院对“来源合法性”划出了明确红线，严厉打击了使用盗版资源的行为。

面对如雪片般飞来的诉讼，大模型厂商中的激进派也在向保守派转变。

保守派的代表就是苹果，它从一开始就将用户隐私和规则置于更重要的位置，宁愿在AI竞赛中起步较晚，也要通过明确授权许可和自有数据来规避法律风险。

而激进派的Meta和早期的OpenAI，则是信奉“移动快，打破规则”的硅谷信条，将潜在的法律诉讼视为一种可以计算和承受的商业成本。但在诉讼缠身后，OpenAI迅速转变为积极的数据“购买者”，斥巨资与美联社、金融时报等数十家媒体签署内容许可协议；Anthropic则上演了从使用盗版书库，到斥巨资购买、扫描、销毁实体书的“苦力式洗白”。

这些都意味着，“数据免费”的黄金时代已一去不复返，数据将成为AI公司财报上一个明确且高昂的成本项。

从整个行业来看，手握优质内容的内容出版商、新闻机构，将从被动的受害者，转变为AI产业链上游一个手握筹码、拥有强大议价权的关键参与者；这反过来又会急剧抬高行业的竞争壁垒，拥有强大现金流和顶尖法务团队的科技巨头相比AI创业公司将有着更强的竞争优势。AI行业的竞争，已从单纯的算法和算力竞赛，扩展到了一场关于数据供应链管理、商业谈判和法务合规能力的全面战争。

当那些充满争议的盗版“野路子”被一条条堵死，一个更加昂贵的AI时代，已经来了。