数据抓取的双重标准：Aaron Swartz被起诉而Meta安然无恙

一场跨越十余年的正义拷问

2011年，一位年轻的程序员因为从JSTOR学术数据库批量下载论文而被联邦检方以13项重罪起诉，面临最高35年监禁和100万美元罚款。他的名字叫Aaron Swartz——RSS规范的联合作者、Reddit的联合创始人、Creative Commons的早期贡献者，也是开放知识运动的旗手。2013年1月，年仅26岁的他在等待审判期间选择了自杀。

Aaron Swartz是互联网历史上最具影响力的早期建设者之一。他在14岁时就参与了RSS 1.0规范的制定——RSS（Really Simple Syndication）是一种允许用户订阅网站内容更新的XML格式协议，至今仍是播客分发和新闻聚合的基础设施。他随后联合创立了Reddit（现为全球最大的社区论坛之一），并深度参与了Creative Commons（知识共享协议）的技术架构设计，这套协议为互联网上的开放内容共享提供了法律框架。此外，他还是Markdown格式规范的早期贡献者，以及反对SOPA（《禁止网络盗版法案》）运动的关键组织者。他的人生轨迹，是互联网开放精神最纯粹的体现。

十余年后的今天，当科技巨头Meta被曝出为训练AI模型而大规模抓取（甚至通过盗版渠道获取）海量受版权保护的书籍和数据时，我们看到的却是另一番景象：诉讼缠身却波澜不惊，业务照常运转，股价甚至节节攀升。这种鲜明的对比，正是近期在Hacker News上引发886点赞、204条讨论的核心议题。

相同的数据抓取行为，截然不同的司法命运

Aaron Swartz的"罪行"：下载学术论文

Swartz当年所做的事情，本质上是通过MIT校园网络批量下载JSTOR的学术论文。这些论文大多是公共资助研究的成果，他的初衷是让被付费墙锁住的公共知识重归公众。即便JSTOR本身在事后撤销了民事诉求，联邦检方却依然坚持刑事起诉，援引《计算机欺诈与滥用法案》（CFAA）等法律条款，将一个理想主义者推向了深渊。

JSTOR（Journal Storage）是全球最大的学术期刊数字化存档平台之一，收录了超过1200万篇学术论文。学术出版行业存在一个长期被批评的结构性问题：研究者使用公共资金（政府拨款、大学经费）完成研究，免费为期刊撰写论文并进行同行评审，但最终出版物却被Elsevier、Springer Nature等商业出版巨头锁在年费数千至数万美元的付费墙后。全球许多发展中国家的研究者和公众无法访问这些用纳税人资金产出的知识。Swartz的行动正是对这一模式的直接挑战。

讽刺的是，Swartz下载的是学术论文——这些内容原本就应服务于知识的自由流动。他没有出售数据牟利，没有商业化运作，只是试图打破信息壕沟。然而司法机器却以"杀鸡儆猴"的姿态展开了不成比例的追击。

Meta的"合规"：大规模抓取版权内容训练AI

与之形成尖锐对比的是，Meta为了训练其Llama系列大语言模型，被指控从LibGen等盗版书库中获取了数以万计的受版权保护书籍。法庭文件甚至显示，公司内部讨论过使用盗版数据的法律风险，但最终选择"照做不误"。

Llama（Large Language Model Meta AI）是Meta自2023年起陆续发布的开源大语言模型系列，在性能上与GPT-4等闭源模型展开竞争。在多起集体诉讼和法庭文件披露中，原告指控Meta使用了来自LibGen（Library Genesis，全球最大的盗版学术书籍和论文数据库，托管超过300万本书籍）和Z-Library等来源的数据。内部通讯记录显示，Meta员工曾明确讨论过使用这些数据的法律风险，有人建议使用"清洁"数据集，但出于竞争压力和数据规模需求，公司最终决定继续使用争议数据。值得注意的是，OpenAI、Google等其他AI公司也面临类似指控，这并非Meta独有的问题，而是整个生成式AI产业的系统性实践。

然而，Meta面对的只是民事诉讼，且在多起判决中屡屡占据上风——法院倾向于认定AI训练构成"合理使用"（fair use）。没有高管被起诉，没有人面临牢狱之灾，整个事件对这家市值上万亿美元的公司而言不过是运营中的一个注脚。

双重标准背后的结构性问题

权力与规模决定法律适用的方式

Hacker News社区讨论中反复出现的一个观点是：法律的执行往往取决于"你是谁"，而非"你做了什么"。Swartz是一个没有企业法务军团、没有游说资金、没有政治影响力的独立个体；而Meta拥有顶级律师团队、深厚的政商关系和几乎无限的诉讼资源。

当同样的行为发生在个人与巨头身上时，前者面临的是刑事重罪的碾压，后者承担的却只是可控的商业成本。这种不对称暴露出司法系统在面对权力差异时的深层缺陷。

CFAA法案的模糊性与检方滥用

Swartz案的核心法律工具——《计算机欺诈与滥用法案》——长期以来因条文模糊、可被检方任意解释而饱受批评。"未经授权访问"这一概念的边界极其含糊，使得检方可以据此对几乎任何数据访问行为提起重罪指控。

《计算机欺诈与滥用法案》（Computer Fraud and Abuse Act）最初于1986年通过，其立法灵感部分来自好莱坞电影《战争游戏》（WarGames，1983）中少年黑客入侵军事系统的情节。该法案最初旨在打击针对政府和金融机构计算机系统的入侵行为，但经过多次修订后，其适用范围被极大扩展。法案中"超出授权访问"（exceeds authorized access）的措辞极为模糊，理论上甚至可以将违反网站服务条款的行为解释为联邦重罪。电子前沿基金会（EFF）等组织长期呼吁修改该法案。2021年美国最高法院在Van Buren v. United States案中对CFAA的适用范围做出了一定限缩，裁定仅访问个人有权访问但用于不当目的的信息不构成违反CFAA，但该法案在数据抓取领域的适用问题依然存在争议。

而当涉及企业级的大规模数据抓取时，问题被巧妙地转化为版权法框架下的"合理使用"辩论，从刑事领域滑向了民事领域。同样是"抓取"，法律的适用逻辑却截然不同。

AI时代的数据伦理与版权困境

"合理使用"的边界正在被AI训练重塑

当前围绕AI训练数据的法律争议，实质上是在为整个AI产业的数据获取方式确立规则。如果法院持续认定大规模抓取受版权内容用于AI训练属于"合理使用"，那么这套逻辑为何不能同样适用于Aaron Swartz当年的行为？

美国版权法第107条规定的"合理使用"是一个判例法框架，法院需综合考虑四个要素：(1)使用的目的和性质，包括是否具有商业性质或属于变革性使用（transformative use）；(2)受版权保护作品的性质；(3)相对于整体作品所使用的部分的数量和实质性；(4)该使用对作品潜在市场的影响。在AI训练的语境下，多家法院倾向于认为将文本"消化"为模型权重是一种高度变革性的使用——输出与输入在形式上完全不同，模型并非存储和再现原文，而是学习语言的统计模式。但这一判断仍存在巨大争议，尤其当模型能够在特定提示下近乎逐字复现训练数据时，"变革性"的论证便显得脆弱。不同法院的裁定并不一致，最终可能需要美国最高法院或国会立法来明确边界。

这个问题触及了知识产权制度的根本矛盾：我们究竟是在保护创作者的权益，还是在维护既得利益者的数据垄断？当Meta可以"消化"整个盗版书库来训练商业模型时，一个试图解放学术论文的年轻人却付出了生命的代价。

对开源与开放知识运动的启示

Swartz生前致力于推动的开放获取（Open Access）理念，在AI大模型时代显得愈发重要又愈发脆弱。一方面，AI的发展确实需要海量数据的滋养；另一方面，数据的获取方式、权益分配和责任归属却缺乏公平一致的规则。

开放获取运动在Swartz去世后获得了显著进展。2018年，欧洲研究资助机构联盟推出了Plan S，要求其资助的所有研究成果必须以开放获取方式发表。2022年，美国白宫科技政策办公室（OSTP）发布指令，要求所有联邦资助研究的论文在发表后立即免费向公众开放，不再允许12个月的禁止期。预印本服务器如arXiv、bioRxiv的蓬勃发展也在改变学术传播的格局。然而，开放获取与AI训练数据权益之间的关系仍然复杂——即使论文免费可读，是否意味着可以被用于商业AI训练，这是一个尚未解决的法律和伦理问题。Swartz当年为之奋斗的目标正在部分实现，但新的挑战已经超越了他当初所面对的问题域。

这场讨论提醒我们：技术进步不应成为掩盖制度不公的遮羞布。如果法律对巨头网开一面，却对个体理想主义者严刑峻法，那么所谓的"创新友好"环境，本质上只是权力的自我加冕。

结语：数据抓取的正义不应有双重标准

Aaron Swartz的悲剧与Meta的从容，构成了数字时代最刺眼的对照。它不仅仅是关于数据抓取合法性的技术争论，更是关于法律公正、权力制衡和知识伦理的深刻叩问。

当我们为AI的飞速发展欢呼时，或许更应该记住：一套只对弱者严苛、对强者宽容的规则体系，终将侵蚀社会对法治的基本信任。Swartz用生命提出的问题，至今仍未得到公正的回答。