纽约时报指控OpenAI隐匿证据，ChatGPT版权诉讼再升级

事件概述

生成式AI与新闻版权的法律战再度升级。《纽约时报》等新闻出版机构近期指控OpenAI在ChatGPT版权诉讼中隐匿了关键证据——出版商声称，OpenAI藏匿了能够识别ChatGPT输出内容中所含受版权保护新闻作品的相关工具与数据集。

为此，出版商提交了一项新的动议，要求法院对OpenAI实施制裁（sanctions）。这一举动标志着双方诉讼对抗进一步激化，也让这场备受关注的AI版权案件进入了新的博弈阶段。

争议核心：证据披露之争

出版商的指控

本次动议的核心在于「证据开示」（Discovery）环节。值得注意的是，Discovery制度是美国联邦民事诉讼规则（FRCP）中的核心程序机制，源自英美法系的对抗制诉讼传统。与大陆法系由法官主导的证据收集不同，美国的证据开示由双方当事人自行主导，在正式庭审前完成。Discovery的范围极为宽泛，涵盖文件、电子邮件、数据库、源代码乃至内部通讯记录。

在涉及AI公司的诉讼中，电子证据开示（e-Discovery）面临着远超传统案件的复杂挑战。AI模型的训练数据集往往以PB级规模存储于分布式系统中，数据格式多样（原始网页抓取数据、经过清洗的文本语料、标注数据集等），且可能跨越多个数据中心和供应商。更棘手的是，模型权重本身作为证据的法律地位尚不明确——它既是商业核心机密，又可能是证明侵权的直接载体。在"法定保全措施"（Litigation Hold）层面，AI公司面临的难题在于：训练过程是动态的，模型会持续迭代更新，早期版本的权重和中间检查点（checkpoint）往往因存储成本而被定期清理。一旦诉讼发生，这些已被清理的数据是否构成证据妨碍（Spoliation），将成为争议焦点——本案中的证据冲突，在某种程度上正是这一结构性困境的具体呈现。

在美国民事诉讼中，双方当事人有义务向对方披露与案件相关的证据材料。出版商认为，OpenAI掌握着能够追溯并识别其模型输出中版权内容来源的技术工具和训练数据集，却未按要求进行充分披露。

所谓"能够识别ChatGPT输出中版权内容来源的工具"，在技术层面对应的是一类被称为"训练数据归因"（Training Data Attribution, TDA）或"数据影响分析"（Data Influence Analysis）的方法。这类工具试图回答一个核心问题：模型的某一特定输出，受到训练集中哪些具体样本的影响最大？常见的技术路径包括影响函数（Influence Functions）、相似度检索（Nearest Neighbor Search over training embeddings）以及成员推断攻击（Membership Inference Attack）。影响函数通过计算移除某一训练样本后模型损失的变化来量化其影响力，但在超大规模模型上的计算成本极为高昂。成员推断攻击则通过分析模型对特定文本的困惑度（Perplexity）差异，判断该文本是否曾出现在训练集中。

值得关注的是，TDA领域近年来涌现出多种前沿方法。2023年兴起的TracIn方法通过追踪训练过程中的梯度轨迹来量化单个样本的贡献，计算效率优于传统影响函数；DataInf等方法则通过近似计算降低了大规模模型上的计算开销。这些工具的商业化应用正在加速——部分AI安全公司已将其包装为"训练数据审计服务"，帮助企业在诉讼前进行合规自查。若OpenAI内部确实开发并使用了此类工具用于模型评估或安全审计，这些工具及其产生的数据集将成为诉讼中极具分量的证据材料。

若这些工具确实存在，且能证明ChatGPT在生成内容时「复现」了受版权保护的新闻报道，将成为出版商指控OpenAI侵权的有力凭据。反之，隐匿此类证据的行为在法律层面可能构成对证据开示义务的违反，这正是出版商申请「制裁」的法律依据所在。

制裁动议意味着什么

「制裁动议」（motion for sanctions）是诉讼程序中较为严厉的手段，其依据主要来源于FRCP第37条及法院固有的司法权力。一旦法院认定一方存在隐匿、销毁或不当处理证据的行为，可能采取的措施包括：作出不利于该方的事实推定、限制其提出某些抗辩、处以罚款，乃至在极端情形下直接作出不利判决。

其中最具实质影响的是「不利事实推定」（Adverse Inference Instruction）——即法院指示陪审团推定被隐匿的证据内容对该方不利。在本案语境下，这意味着法院可能推定OpenAI的内部工具确实能够证明版权内容被大规模复现，即便这些工具从未被正式出示于法庭。这一规则的威慑力在于：即便制裁申请最终未获批准，提出动议本身已向法院传递了强烈的程序性不当信号，对陪审团的心理预期产生潜在影响。

出版商选择在此时提出这一动议，既是对OpenAI证据披露态度的直接施压，也是向法院传递「对方存在程序性不当行为」的信号，意在于实体审理之外争取有利地位。

这场诉讼的深层背景

AI版权诉讼的行业格局

《纽约时报》诉OpenAI案并非孤立事件，而是一场席卷整个AI产业的版权诉讼浪潮的组成部分。2023年至今，Getty Images起诉Stability AI（指控图像生成模型大规模复制摄影作品）、多位作家集体诉讼Meta和OpenAI（指控使用Books3等盗版数据集）、美联社与新闻机构对多家AI公司的授权谈判，共同构成了这一法律博弈的全貌。部分公司已选择主动谈判授权协议——OpenAI已与美联社、《金融时报》、Axel Springer等媒体集团达成数据授权协议，但《纽约时报》选择了诉讼路径。这场诉讼的判决结果，将直接决定未来AI公司是否必须为训练数据支付版权费用，其行业影响难以估量。

此外，AI训练数据版权争议在不同法律体系下呈现出截然不同的走向，这一比较视角对理解本案的国际意义不可忽视。欧盟《人工智能法案》及《数字单一市场版权指令》（DSM指令）第4条明确规定了"文本与数据挖掘"（TDM）例外条款，但允许权利人通过机器可读方式明确选择退出（opt-out）；日本著作权法第30条之4则对AI训练采取了相当宽松的豁免立场；美国当前依赖司法判例填补立法空白的路径，与上述体系形成鲜明对比。这也使得纽约时报案的判决结果具有超越美国本土的全球示范效应——其判决逻辑极可能被其他司法管辖区的立法者和法院援引参考。

AI训练数据的版权困境

《纽约时报》诉OpenAI案，是当前生成式AI版权争议中最具代表性的案件之一。核心矛盾在于：大语言模型的训练依赖海量文本数据，其中不可避免地涵盖了大量受版权保护的新闻报道、书籍及其他创作内容。

出版商的立场是，OpenAI未经授权抓取并使用了其作品来训练模型，而ChatGPT在某些情况下甚至能近乎逐字地输出这些内容，直接损害了出版商的商业利益与订阅价值。AI公司则通常援引「合理使用」（Fair Use）原则进行抗辩，主张模型训练属于对原作品的「变革性使用」。

「合理使用」原则源于美国版权法第107条，法院在判断时从四个维度综合权衡：使用目的与性质（重点考察是否具有"变革性"，即新使用是否赋予原作品新的表达、含义或信息）、原作品的性质（新闻报道等事实性作品通常比纯文学创作享有相对较窄的版权保护）、使用比例（相对于原作品整体所使用的数量与实质性），以及对原作品潜在市场的影响（通常被认为是权重最大的要素）。2015年谷歌图书案（Authors Guild v. Google）以"变革性使用"为据，判定数字扫描属于合理使用——但该案的核心在于谷歌仅展示片段摘录、不提供全文，且服务于图书检索的新功能。

AI训练的情形则存在本质差异：模型并非在"评论"或"索引"原文，而是将其作为参数优化的训练信号加以内化，且训练完成后的模型在某些条件下能够生成与原文高度相似的内容，对出版商订阅市场构成潜在替代效应。正是这一"市场替代"维度，使AI训练的合理使用抗辩面临比谷歌图书案更为严峻的法律挑战，也构成当前诉讼的核心争点。

技术黑箱与举证难题

本次证据之争暴露出AI版权诉讼中的根本性挑战：技术黑箱。大语言模型在训练过程中，通过反向传播算法将文本中的统计规律编码进数十亿参数之中，并不以传统意义上"存储"文本的方式保存原始数据。然而研究表明，当训练数据中某些文本出现频率极高时，模型可能产生「记忆化」（Memorization）现象，能够近乎逐字地输出特定段落。

这一现象有其深刻的架构根源。Transformer模型通过注意力机制对高频共现的token序列赋予更高权重，当某段文本在预训练语料中重复出现时，对应的参数更新会持续强化同一方向，形成类似"过拟合"的记忆效果。研究者将记忆化分为"可提取记忆化"（extractable memorization，即通过特定提示即可完整还原）和"潜在记忆化"两类，前者在版权诉讼中的法律意义更为直接——因为出版商能够以可重复的方式向法庭演示这一侵权行为的发生。

2023年由谷歌DeepMind、斯坦福等机构联合发布的研究（《Quantifying Memorization Across Neural Language Models》）系统性地证明，记忆化程度与训练数据的重复次数、模型规模之间呈现显著正相关——换言之，越是在训练集中高频出现的文本，越容易被模型"背诵"出来。这一发现对版权诉讼具有直接的法律含义：若出版商能证明其高频发布的新闻报道被ChatGPT近乎逐字复现，则"模型只是学习了统计规律"的技术抗辩将大打折扣。

正因如此，能够检测模型输出与训练数据之间相似度的内部工具，无论是「训练数据归因」系统还是内容溯源工具，对版权诉讼而言具有极高的证据价值。出版商在缺乏AI公司配合的前提下，很难自行证明其作品被使用、被复现的具体情况，这也解释了双方为何在证据披露环节展开如此激烈的对抗——谁掌握了技术透明度的主动权，谁就在这场诉讼中占据了关键位置。

对AI行业的潜在影响

判例意义重大

作为标志性案件，本案的最终结果或将为整个AI行业树立重要判例。若法院倾向于保护版权方利益，AI公司未来在训练数据的获取、使用与披露上将面临更严格的合规要求，甚至可能被迫重构数据授权模式。

反之，若「合理使用」抗辩获得支持，则将为AI训练的数据使用提供更大的法律空间。而本次证据披露之争的处理方式，也可能影响后续类似案件中当事人对技术证据的处理规范——特别是在训练检查点保存义务、内部评估工具的披露范围等方面，本案的程序性裁决本身即可能成为行业合规的重要参照。

透明度与合规压力

无论结果如何，这一事件都在提醒AI企业：随着监管与司法审视持续深化，模型训练的透明度将成为不可回避的议题。企业需要在保护商业机密与履行法律义务之间寻求平衡，妥善保存和管理与训练数据、内容溯源相关的技术资料。尤其值得关注的是，用于内部安全审计和模型评估的训练数据归因工具，未来可能在诉讼中被认定为具有强制披露义务的材料——这意味着AI公司在构建内部工具体系时，就需要同步考量潜在的法律风险敞口。

从更宏观的视角看，本案还可能推动AI行业形成新的"数据治理"最佳实践：在诉讼保全义务触发之前，主动建立训练数据的来源记录体系（data provenance）、定期保存模型检查点、并对内部评估工具的使用保持规范的文档记录。这些措施虽然增加了运营成本，但从长远看将有效降低诉讼中的法律风险敞口。

结语

《纽约时报》指控OpenAI隐匿证据并申请制裁，是这场AI版权诉讼的又一重要节点。它不仅关乎两家机构之间的具体利益，更折射出生成式AI时代版权保护、技术透明度与创新发展之间的深层张力。

补充一点，目前这仍属于出版商方面的单方指控，OpenAI是否确实存在隐匿证据的行为，以及法院将如何裁决制裁动议，仍有待进一步观察。但可以肯定的是，这场诉讼的走向将对整个AI产业的合规实践产生深远而持久的影响。