OpenAI一直对外说,自己没办法搜索训练语料库里有没有版权新闻,搬动几千万条聊天记录也技术上太麻烦。现在原告翻出的证词是:诉讼还没立案,OpenAI内部就已经建好了一个7800万条去标识化对话的数据库,专门用来自查侵权程度。
这是《纽约时报》和《纽约每日新闻》在7月9日向曼哈顿联邦法院提交的最新制裁动议里的核心指控。案子本身已经打了两年多,这次不是新丑闻曝光,是旧拉锯战的一次摊牌。
发生了什么
原告的说法建立在4月一次法庭指定问询上。OpenAI数据隐私工程师Vinnie Monaco在证词中承认了两件事:
- 公司内部早就搜索过训练语料库,评估过侵权版新闻的存在
- 诉讼提起前就攒了一个7800万条对话的数据库,还配了个叫"Project Giraffe"的Bloom过滤器,专门追踪ChatGPT输出里的内容"再现"
原告据此要求法院:禁止OpenAI用它提交的2000万条样本当证据、直接认定聊天记录本会显示大量版权内容再现、并让OpenAI承担追讨证据的律师费。
OpenAI发言人Drew Pusateri否认指控,说《纽约时报》案子越打越弱,才转头借"隐私"名义翻旧账。
这不是突然翻脸,是两年拉锯的延续
法院其实早就表过态。今年3月,主审磁判法官Ona T. Wang就裁定过,Monaco那次30(b)(6)问询准备不充分,要求双方补救——包括提交非特权的Project Giraffe文件。7月的制裁动议,是这条线的自然延伸,不是凭空冒出来的。
原告最初要12000万条对话样本,谈判压到2000万,去年12月才交上来——涂黑太多,法院直接说"不可用"。中间还夹杂着"违反保全令删除数十亿条输出"、"用替换数据充数"的指控。三个数字摆在一起,落差就很扎眼:
对外只给2000万,内部却已经攒着7800万条自查过侵权的对话——这个反差,是这次制裁动议最伤人的地方。
OpenAI没说全的那部分
原文报道里,OpenAI的回应只剩一句否认。但翻它自己的公开材料,防御逻辑其实更具体:
- 免费、Plus、Pro用户删除的对话,默认30天内按计划清理,除非涉及法律或安全留存要求
- 它曾提出更窄的替代方案——只针对性搜索可能含《纽约时报》文本的对话,而不是交出数千万条完整聊天记录
- 对"再现"证据本身也有反驳.说原告是用精心设计的提示词人为诱导出的复现结果,不代表普通用户的真实使用场景
这三点原文都没提,但恰恰是理解这场官司走向的关键。原告要证明的是"系统性侵权",OpenAI要守住的底线是"这是被逼出来的极端案例,不是常态"。窄口径方案没被接受,说明原告根本不信任OpenAI自己划的搜索范围。
真正的赌注在合理使用辩护上
这场证据战表面吵的是"给不给数据",实际赌的是后面实体审理阶段的走向。如果法院采纳原告要求,直接认定聊天记录本会显示大量内容再现,OpenAI的合理使用(fair use)辩护会被从根上削弱——因为"侵权规模有多大"这个核心事实,不用再打,直接判定成立。
孔子说"人而无信,不知其可也"。放在这场官司里未必是道德训诫,更像是程序后果:法院此前对Monaco证词准备不足的认定,已经削弱了OpenAI在这场程序博弈里的信用分。制裁动议要的不是新证据,是把这份不信任变成正式后果。
- 风险.若法院支持"直接认定重大再现事实成立",将成为其他AI版权诉讼援引的先例,压缩所有AI公司在discovery阶段以"技术不可行"为由拖延的空间。
能搜的时候不说,被问急了才认——这种姿态本身就是证据。
眼下能确定的只是:法院已经排期让Monaco再接受一轮问询,更广泛的制裁问题被推迟到那之后。7800万条数据库和Bloom过滤器具体查出了什么结论,OpenAI至今没有正面回应。这才是接下来最值得盯的一步——不是它说了什么,是它到底查到了什么,又为什么不说。