820万条对话，微软能算清AI版权账吗？

在《纽约时报》、多家新闻机构及作家起诉OpenAI和微软的系列版权案件中，微软近日向法院提交了一组颇具冲击力的数据：在经过筛选、被认为最可能出现原告作品的约820万条Copilot对话记录中，只有24个回答与涉案图书出现了30个词以上的匹配；接受分析的212本书中，也只有10本出现任何匹配。

微软想以此来说明，用户使用Copilot，并不是为了免费阅读《纽约时报》或者整段复制一本书，大模型偶尔吐出几句与原作重合的内容，也不应推翻整个AI训练具有转换性使用目的的判断。

这组数据最重要的部分，是AI版权诉讼正在从“模型有没有读过作品”的原则之争，进入“模型记住多少、输出多少、在什么条件下输出，以及究竟替代了谁”的证据战争。

一、820万条对话“表达”了什么

微软提交的820万条对话记录，并不是从Copilot全部用户对话中随机抽取的普通样本。按照微软在诉讼中的说法，这些记录之所以被选中，正是因为它们命中了与新闻原告网站有关的关键词，因此属于最可能出现原告作品内容的一组对话。

也就是说，这不是从茫茫人海中随意抽出的820万人，而是先把最可疑的一批人请进了房间，再检查他们手里有没有原告的文章。

在这组高风险样本中，原告专家的分析结果并非只有“24次”一个数字。微软称，其中59545条对话与用于支撑模型回答的新闻内容存在至少16个词的重合，占820万条记录的比例不到1%；美国调查报道中心聘请的专家则从中认定，有51次回答与该机构的作品构成“实质性重合”。

图书方面的数据更低。作家一方的专家在820万条对话中找到24个包含至少30个匹配词的回答，在被检测的212本书中，只有10本出现过匹配。

这些数字至少能够支持微软提出一个事实判断。在现实使用中，Copilot逐字或者大段复现涉案新闻和图书，并不是普遍发生的现象，普通用户与模型进行对话，也不主要是为了绕过付费墙、免费获得完整文章或者连续阅读一本书。

如果原告主张Copilot本质上是一台随时向用户免费发放盗版文章和图书的机器，那么820万条对话中的低重合比例，显然会对这种描述形成冲击。微软想证明的，也主要在这里。

二、模型很少吐出原文，不等于训练时没有复制

微软的论证很懂传播的“规律”。820万次对话，只有24次出现30个词以上的图书文本匹配，怎么能说AI正在大规模替代原作？

但是，版权法上的问题却要复杂得多，因为AI可能涉及至少三个相对独立的使用环节。

第一个环节，是作品被抓取、下载并纳入训练数据集；第二个环节，是作品或者其特征被用于模型训练、参数调整和能力形成；第三个环节，才是模型接受用户提示后，是否向外输出与原作相同或者实质性相似的内容。

820万条Copilot记录主要回答的是第三个问题，即模型在实际运行中吐出了什么。

《纽约时报》等原告提出的部分核心主张发生在更早阶段。微软和OpenAI是否曾未经许可复制其作品，将其纳入训练或者检索增强系统，并利用这些作品形成具有商业价值的AI产品。

即使一台机器读完整座图书馆后，从未向用户完整背诵其中任何一本书，也不能仅凭“不背原文”这一事实，直接得出最初取得、复制和利用这些书籍的行为必然合法。

反过来讲，即使模型偶尔输出了30个、50个甚至更多与原作相同的词，也不能只凭词数直接认定整个训练过程侵权。新闻报道中的事实性表达、常用语句和标题，与小说中具有高度独创性的情节和语言，受到版权保护的程度并不完全相同；连续重合多少个词只是筛查线索，作品类型、重合内容的重要程度、用户提示方式和输出整体印象，仍需逐项判断。

所以，微软拿出的不是一张能够结束诉讼的答卷，而是一份对原告“输出替代”理论相当有利的证据。

低复现率可以削弱模型正在批量吐出盗版作品的指控，却不能自动洗清训练数据来源和训练复制行为。

三、16个词、30个词和实质性相似，谁的尺子更可信

这组数据还有一个很容易被忽略的问题，不同数字背后，使用的并不是同一把尺子。

新闻内容采用了“至少16个词重合”的筛查标准；图书采用的是“至少30个匹配词”；美国调查报道中心的专家又从相关记录中判断出51次“实质性重合”。

16个词与30个词是数量标准，“实质性重合”则需要结合表达内容、作品结构和受保护要素进行判断。它们可以用于发现疑似复制，却不能彼此替代，更不能简单地将所有词语重合都计算为版权侵权。

例如，一段AI回答可能因为引用机构全称、事件名称和一组事实数据，出现连续十几个词与新闻报道相同，但这些内容未必全部属于具有独创性的表达；另一段回答虽然没有连续复制30个词，却可能改写了作品中最核心、最有辨识度的情节或者观点组织方式。

更重要的是，模型输出多少原文，往往取决于用户怎样提问。

普通用户询问信息、要求概括新闻，与用户反复要求模型续写、背诵、忽略限制或者提供付费文章全文，产生的输出结果显然不同。模型版本、系统提示、安全护栏、检索来源和测试时间发生变化，也都可能改变复现概率。

因此，820万条记录很大，却不等于没有样本边界。

法院接下来不仅要看发现了多少次匹配，还要追问这些记录来自哪个时间段、哪个Copilot版本，筛选关键词如何确定，删除和去重规则是什么，新闻与图书为什么使用不同阈值，以及未被纳入分析的对话是否可能产生不同结果。

在AI版权诉讼中，样本越大，方法就越重要。

一个惊人的数字可以吸引公众，但只有可复核的方法，才能说服法院。

四、低复现率，会如何影响合理使用判断

微软希望利用这些数据支持合理使用抗辩。

按照美国版权法，合理使用通常需要综合考虑使用目的与性质、原作品性质、所使用部分的数量与实质性，以及对原作品现实市场和潜在市场的影响。

820万条对话最可能影响的，是使用目的和市场影响两个方面。

如果Copilot绝大多数回答都没有复现原文，而是利用模型能力完成问答、翻译、总结、写作、编程和信息组织，微软就可以据此主张，大模型的通常用途与新闻出版或者图书阅读不同，训练作品是为了建立一种能够处理语言和知识任务的通用工具，而不是把原作品换一个界面重新出售。

低复现率也有助于微软反驳直接市场替代。如果用户无法稳定地从Copilot获得完整文章和图书，就很难简单认定每一次AI对话都减少了一次订阅、购买或者授权交易。模型偶尔输出少量重合内容，与一个能够按需提供原作全文的盗版数据库，在功能和市场效果上并不相同。

但原告同样会提出另一种市场理论，AI造成的损害不只来自逐字复制，还可能来自对信息需求和内容入口的替代。

用户不一定需要阅读全文。当Copilot能够提取报道中的核心事实、独家信息和主要结论，并直接给出一个足够使用的答案时，即使没有连续复现30个词，也可能使用户不再点击新闻网站、不再看到广告，或者不再成为付费订户。

因此，未来法院需要判断的不是“AI有没有复制出一篇完整文章”这么简单，而是AI到底是在学习语言、提供新工具，还是在利用他人持续投入形成的内容，建立一个逐步取代原内容入口的商业系统？

五、AI版权案，开始从截图走向日志

过去的AI版权诉讼，原告经常通过特定提示词，让模型输出疑似与原作相同的内容，再将几张截图提交法院；模型公司则反驳称，这些结果经过刻意诱导，并不能代表产品的正常运行状态。

这种争论很容易陷入各说各话。

820万条真实对话记录的出现，第一次把争论从少量演示推向大规模实证分析。法院可以不再只看模型理论上“能够”输出什么，还可以分析它在现实中“通常”输出什么，特定作品被复现的频率是多少，哪些提示容易触发复制，以及这些输出是否真实改变了用户的内容消费行为。

但这也会产生一套新的证据难题。

AI企业应当保存多久的用户对话？用户已经删除的内容是否仍需为诉讼保留？数百万条对话如何脱敏？原告能否获得可搜索的结构化数据？模型公司能否以商业秘密、隐私和处理成本为由拒绝交付？如果系统不断更新，哪一个版本的日志才具有证明意义？

提示词、模型版本、调用来源、检索内容和生成结果，正在共同构成AI时代新的电子证据。

六、AI版权的账，不能只按复制次数来算

微软此次提交的数据，很容易让人把AI版权问题理解成一道简单的除法题：24次除以820万次，比例几乎可以忽略，那么版权损害是不是也可以忽略？这种计算方式过于简单。

如果争议针对的是模型输出端的逐字复制，那么复现次数、重合长度、用户规模和对原作销售的替代程度，当然都可能影响侵权范围与赔偿金额。

但如果争议针对的是训练阶段未经许可复制作品，计算单位就可能不再是输出了多少次，而是使用了多少部作品、取得了什么技术和商业利益，以及本来应当支付多少训练许可费用。

如果争议针对的是检索增强功能，法院还需要区分模型是从参数中“记忆”出内容，还是在回答问题时即时调用新闻网站、数据库或者其他外部内容。不同技术路径对应不同的复制行为、授权方式和责任主体，不能全部塞进一个“AI训练是否合理使用”的大口袋。

未来的AI版权许可，很可能也不会只有一种价格。

知产力判断

微软的820万条对话记录，对AI企业是一个有利信号，但远不是版权诉讼的终点。

对权利人而言，诉讼策略也需要随之改变。未来不能只证明模型“读过”作品，或者偶尔能够生成几段相似文字，而要进一步证明具体复制发生在哪个环节、哪些输出利用了受保护表达、这种使用如何影响订阅、广告、许可和内容交易市场，并建立能够被法院复核的损害计算模型。

AI版权的下一场较量，不只是法律如何解释技术，而是数据能否证明法律。