微软高管内部称AI抓取是"人类史上最大劳动窃盗"

2023年12月，美国发行量排名第三的《纽约时报》以著作权侵权为由，将OpenAI和微软告上法庭，理由是两家公司在训练生成式AI模型时使用了该报的内容。这场官司打了约三年，一批新公开的诉讼资料让外界第一次看到：被告方的高管在私下场合，是如何描述自己正在做的事情的。

据科技媒体TechCrunch报道，新公开的未删节文件显示，微软一位高管在内部把AI训练所用的数据抓取行为称为"窃盗"，并用了一个更重的说法——"人类史上最大规模的劳动窃盗"。同一批资料里，OpenAI的管理层也把自家AI模型形容为，对生产这些内容的出版社和记者构成"存亡级别的威胁"。

内部文件里的另一套说法

这些表述之所以引人注意，是因为它们和两家公司在法庭上的抗辩方向并不一致。公开资料显示，OpenAI和微软被指以不被检测的方式绕过付费墙，通过大规模抓取构建训练数据集，并从训练数据集中有意删除著作权标注。

微软内部数据还记录了一个具体后果：该公司的答案引擎Copilot，相比传统搜索引擎Bing，对《纽约时报》域名的点击率最多下降了93%。微软应用科学总监布伦特·赫克特在2024年1月制作的一份内部演示中，把这种点击率下滑称为"毁灭的循环"，并解释这会"同时损害我们模型的性能和整个网络"。

微软在文件中写道："最终产品威胁到对其而言不可或缺的供应方的经济基础，这是极其罕见的。但在LLM的'内容供应链'上，我们恰恰制造出了这样的状况。"

高管证词与内部留言

微软CEO萨提亚·纳德拉在2026年初的一次证词采集（deposition）中表示，付费墙内的内容应当向试图将其用于grounding或训练的一方收取授权费。他还说，如果事先知道OpenAI绕过付费墙抓取数据并用于AI训练，"我本会行使要求OpenAI重新训练模型的权利"。

OpenAI方面，负责ChatGPT的尼克·特利在内部沟通中写道，出版社正从聊天机器人这类产品身上承受"存亡级别的威胁"。他把聊天机器人描述为"大部分是对既有内容的替代"，并称"随着性能提升，替代性会越来越强"。

TechCrunch对此的解读是：这些发言说明，这项技术可能不是在"转化"原作，而是直接和原作竞争。

微软制作的另一份文件则指出，生成式AI存在一个现实风险——它会"大幅破坏那些生产出基础模型训练数据的人们的就业"。

被点到的数据规模与操作细节

新公开的资料还披露了一些具体数字和操作记录：

• OpenAI用于AI训练的数据集中，仅《纽约时报》《每日新闻》和调查报道中心创作的作品，就包含9万1692件以上的数据。
• 2023年1月微软的一份内部备忘录中，赫克特把为AI训练进行的数据抓取描述为"前所未有规模的惊人窃盗"，以及"人类史上最大的劳动窃盗"。
• OpenAI曾把GPT-3训练所用的完整数据集提供给微软，微软用这套数据集评估如何把OpenAI的AI模型装进自家产品。
• 微软通过名为"Project Taxi"和"Project Mango"的项目，向OpenAI提供AI训练用数据。
• 公开数据中，OpenAI研究员尼克·莱德向公司总裁格雷格·布罗克曼传达了"绕过《纽约时报》付费墙的窍门"，布罗克曼回复"不错"。
• OpenAI还使用了WebText、WebText2等训练数据集，以及Common Crawl保存的数百万篇报道数据。

《纽约每日新闻》的代理律师史蒂芬·利伯曼表示："这次首次公开的证据表明，OpenAI和微软清楚自己的行为是错的。"

法庭上的风向并不一致

需要注意的是，这批信息大多来自《纽约时报》一方提交的准备书状，并非所有作为依据的证据材料本身都已公开，其中不少内容也脱离了前后语境——TechCrunch对此专门作了标注。

而从诉讼本身的走向看，法官至今对AI企业一方"AI训练属于合理使用（fair use）"的主张，总体给出了较为友好的判断。2026年9月初，特朗普政府提交了一份意见书，支持OpenAI在未经许可的情况下将作品用于大语言模型（LLM）训练。这与本次公开的多条内部发言，形成了方向上的对立。

约三年的诉讼打下来，AI企业能否合法地把受著作权保护的内容用于AI训练，至今仍没有明确答案。