本文來自微信公眾號：字母AI，作者：苗正，編輯：王靖，題圖來自：AI生成

2026年9月18日，紐約南區(qū)聯(lián)邦法院解封了一批文件，里面包含了OpenAI和微軟的內(nèi)部記錄。

材料顯示，OpenAI和微軟通過采集別人生產(chǎn)的內(nèi)容，訓練自己的模型。

但這并不是個例，我們在網(wǎng)上記錄的點點滴滴，如今正逐漸變成AI的“飼料”。

AI不會給你點贊、收藏或者轉(zhuǎn)發(fā)，因為它壓根不理解你創(chuàng)作的內(nèi)容，只是把你留下的一切收進去，變成它自己的一部分。

于是寫作、繪畫、說話、歌唱、拍照，這些原本屬于人的事，忽然變成了AI發(fā)展的核心。

但是你也不必太擔心，有一個不知道是好是壞的消息，未來AI不會再把我們當成飼料了，因為它馬上學會自己造飼料。

一、事件來龍去脈

2026年9月17日，紐約南區(qū)聯(lián)邦法院解封了一批文件。這批文件來自《紐約時報》起訴OpenAI和微軟的版權(quán)案，內(nèi)容是兩家公司的內(nèi)部記錄。

在一份內(nèi)部備忘錄里，微軟應(yīng)用科學總監(jiān)布倫特·赫克特（Brent Hecht）把用全網(wǎng)內(nèi)容訓練大模型稱為“一場規(guī)模前所未有的驚人盜竊”，并說這很可能是“人類歷史上最大的一次勞動盜竊”。這句話出自被告公司的員工，不是原告的指控。

這起官司已經(jīng)打了將近三年。

原告是《紐約時報》，被告是OpenAI和微軟。此前庭審的走向總體上支持“用版權(quán)內(nèi)容訓練模型屬于合理使用”。這批解封材料的不同之處，在于它提供的是被告自己的內(nèi)部記錄，而不是法律論證。

微軟的內(nèi)部測算顯示，Copilot上線后，《紐約時報》域名的點擊率相比傳統(tǒng)Bing搜索最多下降93%。

在內(nèi)部演示文稿中，赫克特把這種下滑稱為“死亡循環(huán)”，認為它“會同時傷害我們模型的表現(xiàn)，也會傷害整個互聯(lián)網(wǎng)”。

他還寫道，一個終端產(chǎn)品威脅到自己關(guān)鍵供應(yīng)商的經(jīng)濟根基，這種情況極不尋常，但這是模型業(yè)務(wù)和它的“內(nèi)容供應(yīng)鏈”造成的局面。文稿中的“供應(yīng)商”，指的就是生產(chǎn)內(nèi)容的新聞媒體。

ChatGPT負責人尼克·特利（Nick Turley）在內(nèi)部溝通中說，ChatGPT這類產(chǎn)品對出版機構(gòu)構(gòu)成“生存威脅”，而且“在很大程度上是替代性的”，“隨著它們變得更強，會越來越具有替代性”。

OpenAI總裁布羅克曼說，這些模型“非常擅長新聞”。納德拉在今年作證時承認，和聊天機器人對話“已經(jīng)替代了直接去網(wǎng)站獲取信息”。

然而法律要求不能“替代或損害原作品的市場”。

文件同時還給出了訓練數(shù)據(jù)的規(guī)模。僅OpenAI的訓練數(shù)據(jù)集中，就包含《紐約時報》《每日新聞》和調(diào)查報道中心的作品91692份拷貝。

在一個從Common Crawl派生的數(shù)據(jù)集中，僅nytimes.com一個域名就抓取了兩百多萬份文檔。不過其他媒體表示，從《紐約時報》抓取390萬份，從《芝加哥論壇》報及其相關(guān)報刊抓取730萬份。

此外還有一個名為Project Mango的項目，其數(shù)據(jù)集包含至少160903部新聞出版方的獨立作品。OpenAI把整個GPT-3訓練數(shù)據(jù)集交給了微軟，微軟則通過Project Taxi和Project Mango把數(shù)據(jù)回輸給OpenAI。

文件中還記錄了具體操作方式。

OpenAI研究員尼克·賴德（Nick Ryder）告訴布羅克曼，自己有一個“繞過紐約時報付費墻的黑客方法”，布羅克曼回復(fù)“不錯”。

兩人搭建的數(shù)據(jù)集WebText、WebText2，有相當大一部分是從網(wǎng)上直接抓來的新聞報道。還從Common Crawl拉取了數(shù)百萬篇文章。

此外，在數(shù)據(jù)進入模型前，他們會刻意刪除版權(quán)聲明，因為研究人員“不想讓模型向用戶輸出‘版權(quán)聲明’”。

原告代理律師史蒂文·利伯曼（Steven Lieberman）說，證據(jù)表明，OpenAI和微軟知道自己在做的事是錯的。

微軟對這批文件回應(yīng)稱，相關(guān)言論只是反映了一名員工的個人觀點，不是法律分析，更不代表公司立場。赫克特并非決策者，公司雇他是為了“呈現(xiàn)不同的、非對稱的視角”。

二、還有誰在喂AI？

實際上OpenAI已經(jīng)是“二進宮”了。

2023年9月，美國作家協(xié)會連同17位作家，如約翰·格里森姆（John Grisham）、喬治·R·R·馬丁（George R. R. Martin）、朱迪·皮考特（Jodi Picoult）、大衛(wèi)·鮑爾達奇（David Baldacci）、喬納森·弗蘭岑（Jonathan Franzen）、斯科特·圖羅（Scott Turow）等人。

在紐約南區(qū)對OpenAI提起集體訴訟。此后，多起作家訴訟（特倫布萊（Tremblay）、西爾弗曼（Silverman）、夏邦（Chabon）等）陸續(xù)并入，原告規(guī)模還在擴大。

《紐約時報》訴狀里的證物J，標題叫《GPT-4 記憶〈紐約時報〉內(nèi)容的一百個例子》，整整 127 頁。喂給它一篇文章的開頭，它能幾乎逐字補完剩下的部分，連署名和引語都在。

2026 年，arXiv上發(fā)布了一篇名為《對齊打地鼠》的論文。

研究者把模型微調(diào)成“按情節(jié)寫全文”——只給情節(jié)摘要，不給原文。結(jié)果GPT-4o、Gemini 2.5 Pro能復(fù)現(xiàn)出85%到90%的版權(quán)書籍原文，單段逐字復(fù)現(xiàn)超過460個詞。研究者給這種現(xiàn)象起了個名字，叫“對齊打地鼠”：你堵住一個漏洞，它在別處又冒出來。

這不是偶然。尼古拉斯·卡爾利尼（Nicholas Carlini）早在 2023 年就說過：模型越大、你那段數(shù)據(jù)被重復(fù)喂的次數(shù)越多、上下文給得越足，它記得就越死。

實際上扒取網(wǎng)上的公開資料，把人們的記錄變成AI飼料的，遠不止于OpenAI和微軟。

2026年9月4日，一起集體訴訟遞到了伊利諾伊北區(qū)聯(lián)邦法院。原告是兩個家庭，連同他們的孩子。訴狀指控 Meta 未經(jīng)同意，抓取Facebook和Instagram用戶的照片和生物特征數(shù)據(jù)，用來訓練三樣東西：人臉識別系統(tǒng)NameTag 背后的模型、給NameTag做比對用的“人臉指紋”，以及生成式圖像模型Emu和Muse Image。

NameTag是給Ray-Ban和Oakley智能眼鏡準備的。早在2026年6月初，就有人發(fā)現(xiàn)在Meta的配套App里存在NageTag相關(guān)的代碼，只不過當時并不知道這個功能是干什么用的。

Meta的回應(yīng)是：“這起訴訟沒有依據(jù)，曲解了我們的工作……NameTag沒有向消費者發(fā)布，也沒有最終決定要做什么。”它還強調(diào)，自己“不是在建立一個通用的人臉數(shù)據(jù)庫”。

話雖如此，但Meta已經(jīng)是第三次因為人臉識別被告上法庭了。

2021 年，它因為“自動標記好友”違反伊利諾伊《生物識別信息隱私法》，賠了6.5億美元，約142萬伊利諾伊用戶分錢，有人拿到了400多美元。2023年，Instagram的人臉識別又讓它賠了6850萬美元，約400萬伊利諾伊居民符合資格。Snap也因類似問題在2016年賠了3500萬美元。

這部法律的罰則是每人每項1000到5000美元。

從金額來看，以Meta的用戶規(guī)模，Meta可能要賠付超過10億美元。不過Meta仍然選擇付錢，畢竟相對于賠償而言，法庭并沒有阻止Meta繼續(xù)開發(fā)模型，因此賠償仍在可接受的范圍內(nèi)。

Meta的采集對象，也不只是用戶。

2026年4月21日，Meta在美國員工的工作電腦上安裝一款追蹤軟件，實時記錄鼠標移動、點擊位置和鍵盤輸入，并定期截屏，用來訓練它的AI模型。

這款工具叫“模型能力計劃”（Model Capability Initiative）。Meta首席技術(shù)官安德魯·博斯沃思（Andrew Bosworth）在內(nèi)部備忘錄中說，長期目標是把 AI 智能體培養(yǎng)成“承擔工作”的角色，人類員工則轉(zhuǎn)為“指揮、審查和協(xié)助改進”。

這個項目后來改名為“Agent轉(zhuǎn)型加速器”。Meta的發(fā)言人稱，這些數(shù)據(jù)只用于訓練模型，不用于績效考核，并設(shè)有保護敏感內(nèi)容的措施。

但據(jù)媒體報道，采集范圍覆蓋員工日常使用的各類應(yīng)用和網(wǎng)站，包括谷歌、GitHub、Slack，甚至個人Gmail；美國員工無法退出，只有受歐盟《通用數(shù)據(jù)保護條例》約束的歐洲員工被排除在外。

同一周，Meta裁掉約8000名員工，不少員工因此擔心，自己正在親手訓練將來取代自己的AI。到2026年6月，Meta暫停了這項計劃，原因是追蹤工具抓取到了敏感信息，且這些信息一度被全公司訪問。

Meta的手，也不只伸向自家平臺。

Meta專門有個用來扒視頻內(nèi)容的爬蟲，名為MSAE。Meta AI自己承認，訓練數(shù)據(jù)里有370萬條YouTube視頻轉(zhuǎn)錄文本的第三方數(shù)據(jù)集。

2026年1月，包括h3h3 Productions、Mr. ShortGame Golf、Golfholics在內(nèi)的幾位YouTube博主，合計620萬訂閱，在加州中區(qū)聯(lián)邦法院起訴Snap，指控它用后端自動化工具，把數(shù)百萬條YouTube視頻的視聽文件成批下載下來，塞進HD-VILA-100M和Panda-70M數(shù)據(jù)集，用來訓練“Imagine Lens”這類的圖像編輯能力。

訴狀沒有走傳統(tǒng)版權(quán)路線，而是主攻《數(shù)字千年版權(quán)法》第1201條的反規(guī)避：YouTube的設(shè)計是讓人在線觀看，不是讓人拿到原始文件，Snap涉嫌在規(guī)?；瘜用妫`反了該法律法規(guī)。

原告之一伊桑·克萊因（Ethan Klein）還順手把英偉達、Meta、字節(jié)跳動、亞馬遜、OpenAI、蘋果一并告了。他的說法是，這些公司“一天能抓走80年的內(nèi)容”。

搜索是谷歌的核心業(yè)務(wù)，因此谷歌也在名單上。

2026年7月，阿歇特出版集團、Cengage、愛思唯爾，連同暢銷書作家斯科特·圖羅，在紐約把谷歌告了，指控它用數(shù)百萬本版權(quán)書籍訓練Gemini。訴狀稱，谷歌從“已知的盜版來源”抓內(nèi)容，甚至繞過學術(shù)網(wǎng)站的付費墻，去拿愛思唯爾旗下《柳葉刀》、《細胞》的文章。

訴狀稱：Gemini可以在20分鐘內(nèi)，用0.39美元，生成一部10萬字的懸疑小說。谷歌內(nèi)部文件也警告過，這么做可能“給谷歌帶來100億到1000億美元的潛在罰款”。

語音和音樂，也沒能幸免。

蘋果的Siri，把“意外喚醒”時的錄音交給外包合同工去聽。據(jù)外媒報道，里面充斥著醫(yī)生和病人的對話、商業(yè)談判、疑似犯罪交易。有評估員一天要聽多達1000條。蘋果最終以9500萬美元和解。

2024年6月，RIAA代表環(huán)球、索尼、華納，把AI音樂公司Suno和Udio告了，指控它們用受版權(quán)保護的錄音。

三、最后一批飼料

不過我們也不需要擔心什么，因為我們即將成為AI的最后一批飼料。如今，AI公司，已經(jīng)開始自己喂自己了。

2026年6月，Anthropic發(fā)了一篇博客，標題叫《當AI建造自己》。里面提到，截至2026年5月，合并進Anthropic生產(chǎn)代碼庫的代碼，超過80%是Claude寫的，不是人寫的。在那之前，這個比例還只是個位數(shù)。

也就是說，15個月里，這家公司把絕大部分編程工作交了出去。有工程師已經(jīng)五個月沒寫過一行代碼；他們每天合并的代碼量，是幾年前的8倍。

2026年9月17日，Anthropic又發(fā)布了一份報告，標題是《衡量AI發(fā)展的速度》，這篇文章主要講的是“研發(fā)工作有多少由AI主導(dǎo)”。它采用Epoch AI提出的自動化等級，從完全沒有AI參與的AL0，到AI完全自主的AL5來劃分。

其中AL4指AI能從一句大致的目標出發(fā)，端到端完成大部分工作，人類只負責監(jiān)督和最后決策。

文章提到，2026年2月，Anthropic達到AL4這一級別的研發(fā)工作還不到1%。5月是12%，7月是22%，8月已經(jīng)升到26%。

如果把標準放寬到“AI在人的密切指導(dǎo)下完成大塊工作”的AL3，則有超過90%的研發(fā)工作達標。報告還提到Anthropic內(nèi)部最主要的Agent平臺上，任意時刻約有3萬個AI Agent在從事研究和工程工作，僅在2026年8月就產(chǎn)生了超過10億次決策。

OpenAI那邊，走的是另一條路。

2026年7月，OpenAI披露，發(fā)布GPT-5.6時，它用最強的Sol模型，去自主“后訓練”了一個更小的模型Luna。研究員只給了一句“相當不充分的提示”，Sol就自己找訓練配置、挑GPU、啟動訓練腳本、驗證運行，還順帶生成了合成訓練數(shù)據(jù)。

這項工作，過去要兩個資深研究員做兩周。在OpenAI內(nèi)部的“遞歸自我改進指數(shù)”上，Sol比上一代GPT-5.5高出16.2分。

Anthropic把這件事叫遞歸自我改進。它的本質(zhì)，是訓練數(shù)據(jù)的來源，正在從“人類生產(chǎn)的內(nèi)容”，切換成“AI 自己生成的內(nèi)容”。

而你，就是這次切換完成之前的，最后一茬人類飼料。

問題是，AI 自己生成的數(shù)據(jù)，撐得起下一波模型嗎？

2024年，舒馬伊洛夫（Shumailov）等人在《自然》上發(fā)了一篇論文，標題為《AI模型在遞歸生成數(shù)據(jù)上訓練時會崩潰》。

他們發(fā)現(xiàn)，如果反復(fù)用合成數(shù)據(jù)訓練模型，模型會“坍縮”，輸出的多樣性不斷收窄，尾部信息被系統(tǒng)性抹掉，最后變成一種“語法正確、但語義空洞”的狀態(tài)。

論文的結(jié)論是，你不能用合成數(shù)據(jù)完全替代人類數(shù)據(jù)，必須兩者疊加。只要原始的人類信號還在，模型就還健康。

所以現(xiàn)在行業(yè)的配方，大概是10%到30%的真實人類數(shù)據(jù)打底，剩下的靠模型自己喂自己。

那10%到30%，就是我們還剩的用處。但很可惜，連這個用處也在倒計時。

一旦合成數(shù)據(jù)的質(zhì)量足夠穩(wěn)定，一旦這個閉環(huán)轉(zhuǎn)得夠順，人類數(shù)據(jù)就再也沒有采集的必要。

本文來自微信公眾號：字母AI，作者：苗正，編輯：王靖