训练语料诉讼还不是判决

破除误解#

第二种误解：新闻诉讼的结果可以直接平移到小说。时报主张的作品跨度从一九二八年到二〇二四年，其中大量是新闻报道、标题、赛事结果与节目表。作者协会与小说家提起的平行诉讼争的是图书语料。文类不同，市场替代的论证也不同。把「新闻被摘要」写成「长篇小说被替换」，是在用一种作品的市场去判决另一种作品。

第三种误解：二〇二五年针对其他公司的合理使用裁定，已经决定了本案。那些案件有不同的被告、不同的语料、不同的法官。它们可以成为律师引用的比较点，不是对本案的预判。未决诉讼里出现的数字，首先是一方书状里的主张。

现场：复制被拆成几段工序#

原告一方把被控行为写成一条管道。网页与档案先被抓取，再被清洗、切分、写入训练批次，再进入参数更新；上线之后，对话系统还可能通过浏览功能把页面再取一遍。即决判决阶段，新闻原告主张复制发生在五个可指认的阶段，并请求法院否定合理使用、部分支持《数字千年版权法》主张，以及按「每篇文章」而不是「每一期报纸」计算法定赔偿。这些是请求，不是裁定。

被告一方把同一条管道写成另一套事实。OpenAI 在二〇二六年九月四日的即决判决备忘录里主张：预训练是对互联网文本的无差别扫描；对话日志里逐字复现极为罕见；浏览功能多数时候只使用搜索引擎返回的摘要片段。备忘录把二十万次对话样本里的逐字复现计为二十四次，并强调时报被主张作品中百分之九十五以上发表于该公司成立之前。这些数字来自一方专家与一方律师。对方可以提交另一套实验、另一套分母。

浏览功能把「训练」和「检索增强生成」拆开了。被告称，用户提问先变成搜索，搜索由微软 Bing 返回链接与短摘要，模型再决定要不要请求原页面。原告把这一步仍写成对受保护文本的复制。robots.txt 在这里变成时间线证据：被告称二〇二三年三月公布了会遵守 robots.txt 的用户代理；时报方面的内部讨论出现在九天之后，硬性拦截则要到二〇二四年四月。被告据此主张拦截之前的抓取构成默示许可。这是抗辩，不是网站协议自己长出来的版权例外。

图书作者的案件走另一条事实。作者协会对 OpenAI 的诉讼案号是 1:23-cv-08292，后被并入同一多地区诉讼。主张的核心不是一条新闻被摘要，而是整本书被制成训练样本。文学研究关心的恰恰是这一层：一部小说作为作品进入市场，与它作为词元序列进入训练集，是两种完全不同的「被阅读」。第一种阅读有读者、有版本、有译本；第二种阅读把句子变成可微的统计。

谁在测、测到了哪一步#

本案能核对的，首先是程序位置。核心直接侵权主张在起诉阶段存活。证据开示迫使被告提交匿名化对话日志。即决判决的日程是：动议二〇二六年九月四日，反对意见十月九日，答辩十一月六日。Daubert 专家证据动议另有日程。这些日期来自法院命令，不是新闻稿。

测的对象因此被拆开。一方在测「模型会不会把原文吐出来」；一方在测「训练前复制是否已经完成」。吐出实验依赖提示词、模型版本、是否使用非公开接口。被告指责原告专家用了消费者聊天窗口得不到的配置；原告指责被告把分母做得极大，好让复现率看起来接近零。实验室里换一套提示，百分比就会动。这不是对文学的测量，是对取证设计的测量。

比较点在谷歌图书案。第二巡回上诉法院曾把大规模扫描与片段展示写成合理使用。被告在书状里把原告专家抽取到的原文比例，拿去和当年谷歌图书的抽取比例对照。对照是修辞。谷歌图书展示的是检索窗口，ChatGPT 展示的是连贯回答。市场是不是同一类，正是法院可能要写的那一句话，而不是书状已经写完的那一句话。

美国版权局在二〇二三至二〇二五年关于纯机器生成材料的登记决定，处理的是输出端作者身份，不是训练端复制。版权与公有领域处理期限届满；本案处理的是期限尚未届满的作品如何进入统计机器。两套问题共用「作者」这个词，指向的制定法位置不同。

代价与争议#

把未决数字写成公共常识，代价是把一方专家的分母当成世界。十万次对话里的二十四次复现，不能证明「从不复现」，也不能证明「经常复现」。它只证明：在那一套日志、那一套检索规则下，计数是这个数。对抗性提示会把比例抬高；随机提示会把比例压低。文学课堂若把其中任何一个百分比写成「模型的本质」，就是在替一方律师做摘要。

文类也会被压扁。体育比分、电视节目表与长篇调查，版权厚度本来不同。Feist 案把最低创造性火花写成门槛；事实汇编再费力也不够。被告点名一九四一年的赛事结果，是在把薄保护作品推到前景。原告点名署名调查与专栏，是在把厚保护作品推到前景。同一份语料清单里，两种作品被同一套训练程序对待。文学史通常不会这样记账。

合理使用的四要素一旦进入生成模型，第四要素「对潜在市场的影响」会把阅读习惯写成损害。原告主张聊天回答替代了点击与订阅。被告主张新闻机构在 ChatGPT 上线后读者量上升。上升或下降都可以被写成因果，也都可以被写成同期相关。法院若在即决判决里处理这一项，写的会是法律标准，不是媒介社会学的完整模型。

还有一层不被卷宗自动看见的代价：公有领域与受保护文本在同一抓取里混装。期限届满的十九世纪小说与仍在保护期内的当代小说，对爬虫来说都是字符串。公有领域是法律状态，不是网速。训练程序若不能按司法辖区与期限切开，争议就会从「有没有复制」滑向「复制了哪一类作品」。

未知的边界#

• 即决判决会不会把训练复制与输出复现拆成两项，分别给合理使用或不予合理使用？现在没有裁定。
• 图书作者诉讼与新闻诉讼会不会得到同一套法律标准？文类与市场不同，结果可以分叉。
• robots.txt 能否被写成对训练爬虫的许可通知？这是抗辩，不是互联网的宪法。
• 若法院要求按作品逐件计算，一千万量级的主张清单如何进入事实审？程序本身会改变哪些主张还能活下去。

跨域连接#

• 生成文本与作者身份：登记机关问的是输出有没有人类作者；本案问的是输入端复制。流畅的第一人称不能替任何一边完成证明。输出像人写的，证明不了输入端有没有整篇吃进受保护文本。
• 版权与公有领域：期限届满的文本进入语料，并不自动把邻近的受保护文本变成公共资源。混装是工程事实，不是法律豁免。公有领域当填料，不能给旁边仍在保护期的章节开通行证。
• 翻译即改写：译本是另一次受保护的表达。训练若吃进译本，争的可能是译本的版权，而不是原作在另一语言里的「意思」。意思相同，表达仍是另一份可被复制的作品。
• 正典之争：课表筛选谁被共同阅读；训练语料筛选谁被统计进下一个词的概率。两套筛选都改变「哪些句子显得自然」，但制度与救济完全不同。课表能被看见和争论，爬取清单常常不能。
• 知识产权：合理使用争的是目的、用量与市场替代，不是模型能不能概括。能概括，不等于已经证明没有替代了原作的许可市场。

• 信息不对称 训练清单在被告手里，作品清单在原告手里。发现程序要比较的是两份目录能否对齐，而不是模型会不会写诗。目录对不齐，市场替代就还只是修辞。

参考文献#

• The New York Times Company v. Microsoft Corporation et al., No. 1:23-cv-11195 (S.D.N.Y. filed Dec. 27, 2023).
• In re OpenAI Copyright Infringement Litigation, MDL No. 25-md-3143 (S.D.N.Y.).
• Authors Guild v. OpenAI, Inc., No. 1:23-cv-08292 (S.D.N.Y.).
• Feist Publications, Inc. v. Rural Telephone Service Co., 499 U.S. 340 (1991).
• Authors Guild v. Google, Inc., 804 F.3d 202 (2d Cir. 2015).

延伸阅读#

• 美国版权局关于人工智能与版权登记的公开决定与指南（2023–2025），处理输出端作者身份，不替代本案对训练复制的审理。
• 本案即决判决与 Daubert 日程以法院命令为准；书状中的复现率与作品计数是当事人主张，不是判决主文。