纽约时报控OpenAI藏证：最早被诉前已建版权评估库

a244246925

周三下午的一场证据听证会上，一份法院强制取证的证词记录被公开，直接撕开了AI版权案中一个长达两年的争论点——OpenAI到底能不能搜索、有没有搜过自己的训练数据。
纽约时报和《每日新闻》在最新提交的动议中措辞严厉，称OpenAI故意谎称“缺乏技术能力”来检索客户聊天记录和训练数据集中是否含有原告的版权作品。而这次被告内部的隐私工程师文尼·摩纳哥在4月的取证中，被指亲口承认：公司早就在内部做过版权作品的搜索与评估。


这个时间线很关键。从2023年底被起诉那天起，OpenAI在法庭上的公开陈述始终是：搜索巨量训练语料库和对话记录在工程上几乎不可能，而且涉及用户隐私，需要大量脱敏处理，技术负担极重。原告正是需要拿到这类数据，来证明ChatGPT训练集里到底塞进了多少篇他们的新闻报道，以及模型输出有没有复现原文。
但摩纳哥的证词显示，这些动作不但做过，而且推进得比外界想象的早得多。据报道，OpenAI在被纽约时报起诉之前，就已经整理出一个大约7800万条经过去标识化的ChatGPT对话数据库，专门用于内部衡量模型的侵权比例。也就是说，ChatGPT上线没多久，他们自己就在暗处悄悄摸底“撞车率”了。
更让原告方律师Ian B. Crosby在现场直言“真相被刻意掩盖”的，还有两项被曝光的技术努力。一个是所谓“长颈鹿项目”下的“布隆过滤器”，这套工具在诉讼启动后不久上线，能实时检测输出端是否在“逐字复述”受保护内容，并留存记录。另一个是OpenAI在法院命令发出前，就已经对自己的训练语料做过版权作品检索，连评估报告都生成过。
这些发现让原本就很胶着的证据开示环节彻底炸开。原告最初要求OpenAI提供1.2亿条聊天记录样本，用以比对侵权情况。经过反复协商，样本量被压到了2000万条，并于去年12月提交法院。但法院随后对这批数据给出的评价是——“充斥大量涂黑删减，实际上无法使用”。原告同时指出，OpenAI在起诉后被曝删除了数十亿条ChatGPT生成输出，直接违反了法院的证据保存令，并且在提交的样本里调换了数百万条记录。
“如果OpenAI打心底里认为复制我们客户的新闻是合理使用，那它根本用不着隐瞒已经做过的事实。”Crosby在一份公开声明中说。目前，纽约时报和《每日新闻》已向法官正式申请对OpenAI施加证据开示制裁，包括要求法庭将该2000万条样本列为不可靠证据、禁止OpenAI在后续程序中引用，并直接认定ChatGPT日志原本能证明大规模输出复制和人工智能应答的所谓“事实依据”问题——因为数据源头早已被他们自己弄脏了。