文章像一部数据黑市纪录片：从 Reddit 爬虫、YouTube 百万小时“转录”，到雇人买光实体书再撕碎扫描，乃至直接把“影子图书馆”搬进服务器——巨头们为喂饱大模型，把盗版玩出 100000 种花样。如今法院枪口对准“数据来源”而非“使用方式”，免费数据盛宴散场，AI 的下一个赛点将是版权采购与法务合规的烧钱大战。

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”。

这几乎是行业内公开的秘密。2023年，《纽约时报》一纸诉状将OpenAI和微软告上法庭，正式拉开了这场战争的序幕。很快，战火烧遍了整个硅谷。Meta因其Llama模型涉嫌使用盗版书籍而面临集体诉讼；Anthropic同样因其模型Claude的训练数据而被告，一时间，几乎所有头部玩家都被推上了被告席。

这场大模型与版权方的核心争议是：在未经授权的情况下，将海量的受版权保护作品用作AI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，进展最快是Anthropic案，在2025年6月的里程碑式裁决中，法院给出了一个极其重要的参考信号：模型训练这一行为本身，因其能够创造出功能完全不同的新事物，具有高度的“变革性”，可能不构成侵权；然而，获取训练数据的方式，如果涉及盗版网站或未经授权的复制，则几乎无法被“合理使用”原则所豁免。

根据计算，Anthropic或将因此面临着7500亿美元的天价诉讼赔款。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。

大模型的N种数据“盗取”路径

为了满足无止境的数据需求，各大模型厂商各自走出了一条充满争议甚至堪称“脑洞大开”的野路子，每一种都游走在法律边缘。

一、从公开抓取到蓄意“清洗”

这是AI数据积累最原始、最普遍的方式。AI公司利用强大的网络爬虫，像撒下一张覆盖全球互联网的巨网，不加区分地将新闻网站、专业博客、学术论坛、社交媒体上的公开内容尽数捕捞，构建起初期的训练数据集。

例如，OpenAI在构建其著名的WebText数据集时，就抓取了社交新闻网站Reddit上用户分享的数百万个外部链接，间接将海量受版权保护的内容纳入囊中，《纽约时报》的文章赫然在列。

除了抓取，更致命的是清洗行为。

在《纽约时报》和Daily News等媒体的诉讼中，原告指出，OpenAI在抓取新闻内容时，主动并系统性地移除了版权声明、作者署名、页脚等关键的版权管理信息（CMI）。这一行为被判定为数据获取行为的性质发生了根本性的转变——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”。

二、格式转换：从视频和纸书中提取文本

随着高质量的公开文本数据日益枯竭，厂商们将目光投向了其他格式的内容载体，通过技术手段，将其转换为可供模型训练的纯文本，这种做法更为隐蔽。

一种典型手法是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”，在未经视频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的手法。在意识到直接使用盗版书库的巨大法律风险后，Anthropic专门聘请了前谷歌图书扫描项目的负责人Tom Turvey，启动了一项成本高昂、操作复杂的“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的书目信息数据库，并进行分词、清理等一系列复杂的预处理，最终形成一个来源上看似“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，远比想象中要惊人得多。

三、“影子图书馆”

在争分夺秒的技术竞赛和巨大的性能压力下，部分公司选择了一条最高效，也最高风险的捷径——直接拥抱明确的盗版资源库。

Meta在训练其开源模型Llama时，就被直接指控使用了来自“影子图书馆”（如Library Genesis、Books3）的非法书籍副本。无独有偶，Anthropic的内部文件也显示，其联合创始人在公司创立初期，就下载了包含近20万本书的盗版库Books3，并对这些资源的盗版性质心知肚明。

四、平台借助隐私协议获取数据

与上述几种“硬核”盗版方式不同，巨头们展示了一种更具平台特色的“阳谋”。它不依赖于外部抓取或盗版，而是利用其庞大的用户生态系统，通过服务条款来“合法”地将用户数据内化为自己的训练资源。

谷歌的隐私政策中，明确表示可能会使用用户公开分享的信息来训练其AI模型。这意味着，当一个普通用户在Google Docs上协作一份文档，在Google Maps上写下一段评论，或是在Blogger上发布一篇文章时，这些内容都可能在用户不经意间，被纳入谷歌的AI训练数据池，由此谷歌也构建起了一道竞争对手难以逾越的数据护城河。

这些五花八门、游走在法律边缘的数据获取方式，显示出在AI发展的“圈地”阶段，大模型们都在以最低的成本、最快的速度，获取最大规模的数据，数据来源的合规风险置于次要位置。然而，版权方的一系列诉讼彻底打破了这种默契，他们将攻击焦点精准地对准了最脆弱的一环：数据的原始获取路径。

一个更昂贵的AI时代来了

AI版权战争的真正转折点，是诉讼焦点的变化：不再纠缠AI“如何使用”数据，而是直击它“从何获取”数据。

最初，双方的法律攻防主要围绕AI“使用”数据的性质展开。

AI公司认为，它们的行为并非传统意义的“复制”，而是“学习”，模型在内化数据中的模式、语法和知识，就像一个学生阅读海量书籍以形成自己的写作风格，其目的是创造全新的东西，因此是一种高度“变革性”的使用。版权方则反驳，AI的商业化产品会直接与原作形成市场竞争，替代用户对新闻订阅和书籍购买的需求，从而损害其核心商业利益。

然而，在这两个战场上，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了一次决定性的转向，他们找到了一个更根本、也更致命的攻击点——数据的来源合法性。

法院的阶段性审理，也给出了一个极其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，因其“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”划出了明确的红线，严厉打击了使用盗版资源的行为。

而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（如与图片库Shutterstock的合作）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。