微软内部称AI数据抓取为"人类史上最大劳动盗窃"

内部文件揭开的行业隐秘

一批新近解封的法庭文件正在把AI训练数据的争议推向风口浪尖。据报道，这些未删节的诉讼材料显示，微软内部曾私下将OpenAI的数据处理方式称为"盗窃"（theft），而在此同时，两家公司都在抓取《纽约时报》付费墙后的内容，并以此构建训练数据集。

更具冲击力的是文件中的一句表述——一位微软高管将AI数据抓取称为"人类历史上最大规模的劳动盗窃"（the largest theft of labor in human history）。这句话之所以引发关注，不仅因为其措辞激烈，更因为它出自一家深度参与AI浪潮的科技巨头内部，而非外部批评者之口。

付费内容与训练数据的灰色地带

文件显示的核心事实是：微软与OpenAI都从《纽约时报》的付费墙内容中抓取了数据，并将其纳入训练数据集。付费墙（paywall）本身是出版商保护内容价值、维持订阅收入的关键手段。当这些受保护的内容被大规模抓取用于训练大模型时，触及的正是内容产业最敏感的商业底线。

值得关注的是，文件还提到两家公司在内部曾警告，这种做法会"掏空"（gut）出版商的根基。换句话说，参与其中的技术团队并非对潜在后果一无所知，而是在明知可能损害内容生产者利益的情况下继续推进。这种"内部预警"与"对外辩护"之间的落差，正是此类诉讼中原告方最有力的证据类型。

从技术层面看，AI公司抓取付费墙内容通常通过多种路径实现：利用搜索引擎缓存页面、购买第三方数据集（这些数据集在汇编时已绕过付费限制）、或在付费墙规则收紧之前完成批量抓取。Common Crawl是AI训练中最常用的公共数据集之一，其历史存档中包含大量在被抓取时尚未设置付费限制、或付费墙存在技术漏洞的内容。GPT系列模型及众多开源大模型均以Common Crawl为重要数据来源之一。这意味着即便AI公司从未直接访问付费墙，其训练数据中仍可能间接包含受保护内容——这也是版权诉讼在取证层面极为复杂的原因之一。

为何这份文件如此关键

此前，AI公司在版权诉讼中普遍采取一致立场：训练数据的使用属于"合理使用"（fair use），且抓取公开网络内容是行业惯例。而这份未删节文件的价值在于，它可能呈现出与公开辩护口径不一致的内部认知。

当一家公司在法庭外主张自己行为合法，却在内部邮件或备忘录中使用"盗窃"这样的定性词汇时，这种表里差异会显著削弱其法律抗辩的可信度。对《纽约时报》等原告而言，这类内部表述几乎是理想的呈堂证据。

"合理使用"（Fair Use）是美国版权法中的核心抗辩条款，允许在特定条件下未经授权使用受版权保护的作品。法院通常从四个维度衡量：使用目的与性质（是否具有转化性）、原作品的性质、使用比例、以及对原作品市场价值的影响。AI公司的主流立场是，模型训练属于"转化性使用"——即从大量文本中提炼统计规律，而非复制内容本身，类似于人类阅读学习的过程。然而，当模型能够逐字还原训练数据中的特定段落（即所谓"记忆"现象），或直接替代原始内容的市场需求时，"转化性"的抗辩便会受到严峻挑战。《纽约时报》诉OpenAI案件中，原告方已提交了模型能够大段复现其付费文章的测试截图，正是针对这一弱点的精准攻击。

对AI行业的深层影响

这起事件折射出生成式AI发展中一个尚未解决的结构性矛盾：大模型的能力高度依赖海量高质量文本，而这些文本的相当一部分来自专业内容生产者的劳动成果。"劳动盗窃"这一定性，实质上是在质问——当AI系统吸收了记者、编辑、作者数年积累的产出，却未向其支付任何对价时，这套模式在伦理和法律上是否可持续。

对于整个行业，这份文件可能带来两方面连锁反应。一是加速内容授权协议的普及，越来越多AI公司或将被迫与出版商签订付费协议，而非依赖抓取；二是推动监管和司法层面对"训练数据合法性"作出更明确的界定。

目前已有部分AI公司开始通过付费授权协议获取训练数据，以规避法律风险。OpenAI与美联社、Axel Springer等媒体机构签订了数据授权合作；Google也与Reddit达成协议，获取其论坛内容的训练使用权。但批评者指出，这些协议的授权费用远低于内容的实际商业价值，且签约方往往是拥有谈判筹码的大型媒体，大量中小型内容创作者仍处于保护空白地带。与此同时，部分出版商已开始在robots.txt协议中明确禁止AI爬虫抓取，但这一技术规范不具备法律强制力，执行完全依赖AI公司的自愿遵守。

结语

需要说明的是，本文基于单一新闻来源的报道，具体的法庭文件原文、涉事高管身份及完整语境仍有待进一步核实。但无论最终司法结果如何，"人类史上最大劳动盗窃"这句来自科技巨头内部的表述，已经为AI数据伦理的讨论提供了一个难以忽视的注脚。它提醒行业：技术进步的合法性边界，终究要在内容创造者的权益与AI能力扩张之间找到平衡。