亚马逊AI训练数据版权争议：合理使用的边界何在

一场关于"合理使用"的时代争论

近日，Hacker News社区上一则题为《It is a sign of the times that Amazon gets to call this fair use》（"亚马逊能把这称为合理使用，正是时代的一个信号"）的讨论引发关注。这条帖子虽然内容简短，却触及了当下AI行业最敏感的神经之一——大型科技公司在训练AI模型时，能否以"合理使用"（fair use）为由，绕过传统的版权约束。

帖子标题本身带有明显的批判色彩。发帖者认为，像亚马逊这样体量的公司能够将某些数据采集或使用行为定义为"合理使用"，本身就是这个时代权力失衡的一个缩影。当巨头拥有足够的法律资源和话语权时，法律条款的解释边界往往会向其倾斜。

什么是"合理使用"：从法律原意到AI时代的新挑战

合理使用的法律定义

"合理使用"是美国版权法（Copyright Act）中的一项重要原则，允许在未经版权持有人许可的情况下，出于评论、新闻报道、教学、研究等目的对受版权保护的作品进行有限使用。这一原则最早可追溯至1841年美国联邦法官约瑟夫·斯托里（Joseph Story）在Folsom v. Marsh案中确立的判例法规则，后于1976年被正式编入美国版权法第107条。其设计初衷是在版权持有人的专有权利与公众获取知识、促进文化发展之间寻求平衡。值得注意的是，合理使用并非一项"权利"，而是对侵权指控的一种"抗辩"（affirmative defense），这意味着使用者需要自行承担举证责任。

这一原则在美国法律体系中的演变经历了近两个世纪。1841年Folsom v. Marsh案之后，它长期以判例法形式存在，直到1976年版权法大修订才被法典化。值得注意的是，国会在编纂第107条时刻意使用了开放性语言（"including"而非"limited to"），表明合理使用的适用范围不限于条文列举的情形，法院可以根据新情况创设新的合理使用类型。2021年最高法院在Google v. Oracle案中对合理使用做出了数字时代的重要解释，以6比2的多数意见认定Google在Android系统中复制约11,500行Java API的声明代码构成合理使用。该判决强调了"转换性目的"的重要性——Google将API用于一个全新的计算平台（智能手机），而非Java最初面向的桌面和嵌入式系统。这一判决被AI行业广泛援引为有利先例，尽管从API复制到海量训练数据的类比是否成立仍存在重大争议。

判断是否构成合理使用，通常需要综合考虑四个因素：

• 使用目的与性质
• 原作品的性质
• 使用的数量与比例
• 对原作品市场价值的影响

这四个因素在实践中远比表面看起来复杂。第一因素"使用目的与性质"考察使用是商业性还是非商业性，以及是否具有"转换性"；第二因素"原作品的性质"区分事实性作品（如新闻报道）和创造性作品（如小说），后者受到更强的版权保护；第三因素"使用的数量与比例"不仅看绝对数量，还看所使用部分是否构成原作的"核心"或"精华"——即使只使用了一小部分，如果那恰好是作品最具价值的部分，也可能不构成合理使用；第四因素"对原作品市场价值的影响"被最高法院称为"最重要的单一因素"，考察使用行为是否会替代对原作的市场需求。值得注意的是，这四个因素没有固定权重，法院需要进行个案分析和整体权衡，这种灵活性既是合理使用原则的优势，也是其不确定性的根源。

在数字时代之前，合理使用的典型场景包括学术论文引用、书评摘录、新闻报道中的简短引述和课堂教学复印等，这些场景下的使用规模和影响相对有限且可预见。

AI训练为何让合理使用变得复杂

当AI训练进入这一讨论框架时，问题变得空前复杂。AI模型的训练往往需要吞噬海量的文本、图像、代码乃至音视频数据。这些数据中相当一部分受版权保护，而科技公司的辩护逻辑通常是：模型学习的是"模式"和"统计规律"，而非直接复制原作，因此应当归入合理使用的范畴。

要理解这一争议，需要了解大语言模型的基本训练机制。现代LLM采用的是自监督学习方法，通过预测下一个token（词元）来学习语言的统计分布。模型的参数（通常数十亿到数万亿个）编码了训练数据中的模式，但这种编码方式并非简单的存储——它更接近于一种高度压缩的"蒸馏"。整个训练过程可分为三个主要阶段：预训练（pre-training）阶段消耗最大量的数据，GPT-4据估计使用了超过13万亿token的训练数据，而Llama 2则使用了2万亿token；随后的监督微调（supervised fine-tuning）使用人工标注的高质量对话数据调整模型行为；最后通过基于人类反馈的强化学习（RLHF）进一步对齐模型输出与人类偏好。这些数据通常来自互联网爬取、书籍数字化、学术论文库、代码仓库等多种来源，模型通过反向传播算法调整参数权重，使得给定上文后预测下一个token的概率分布尽可能接近训练数据中的真实分布。这一过程的计算成本极高——训练一个前沿模型可能需要数千张至数万张高端GPU运行数月，耗资数亿甚至超过十亿美元。

然而，研究已经表明，模型确实会"记忆"训练数据中的特定片段，尤其是那些在训练集中重复出现或具有高独特性的内容。2023年Google DeepMind的研究论文证实，通过特定的提示工程技术，可以从ChatGPT中提取大量逐字记忆的训练数据。这种"记忆"现象打破了"模型只学习抽象模式"的简单叙事，使版权讨论变得更加棘手。

正因如此，AI生成的内容有时会与训练数据高度相似，甚至可以"复现"原作片段，这就难以简单地用"转换性使用"（transformative use）来辩护。转换性使用这一关键概念源自1994年美国最高法院审理的Campbell v. Acuff-Rose Music案，该案确立了一个重要标准：如果新作品对原作进行了"转换"——即赋予了新的意义、信息、美学或洞察——那么即使具有商业目的，也可能构成合理使用。在AI语境下，科技公司通常援引2015年Authors Guild v. Google案的判决逻辑，该案认定Google图书扫描项目构成合理使用，因为其目的是建立搜索索引而非替代原书的阅读体验。然而，生成式AI与搜索引擎存在本质区别——AI模型可以直接生成与原作竞争的替代性内容，这使得"转换性"论证变得更加脆弱。

巨头的话语权困境：谁有权定义合理使用

帖子引发共鸣的核心，在于"谁有权定义合理使用"这一问题。理论上，合理使用的最终裁定权在法院。但在实践中，拥有雄厚法律团队和游说能力的科技巨头，往往能在诉讼尚未发生前就通过内部合规判断、行业惯例乃至舆论塑造，事实上"定义"了什么行为是可接受的。

以亚马逊为例，其在AI领域的布局远不止于AWS云服务。亚马逊自研的大语言模型系列Titan已集成进Amazon Bedrock平台——这是亚马逊于2023年推出的全托管基础模型服务，允许企业客户通过统一API访问来自多家供应商的大语言模型，包括Anthropic的Claude系列、Meta的Llama、Stability AI的图像模型以及亚马逊自研的Titan系列。Bedrock的商业模式代表了AI基础设施竞争的一个重要趋势：平台化。类似于AWS在云计算领域的"水电煤"定位，Bedrock试图成为企业接入AI能力的标准化通道。企业客户无需自行部署和维护大模型，而是通过按调用量付费的方式获取推理服务。这种模式的战略意义在于：即使亚马逊的自研模型Titan在性能上落后于GPT-4或Claude，亚马逊仍然可以通过平台抽成和数据飞轮效应获益。此外，Bedrock还提供模型定制（fine-tuning）和检索增强生成（RAG）等企业级功能，使客户能够用自有数据增强通用模型的表现。这种"模型超市"策略使亚马逊在AI竞争中占据独特位置——它既是模型提供商，又是分发渠道。

此外，亚马逊还向AI初创公司Anthropic投资了高达40亿美元，这是截至2024年AI领域最大的单笔企业投资之一，使其成为Anthropic的最大外部投资者，同时Anthropic也承诺将AWS作为其主要云计算合作伙伴。这种深度绑定关系意味着亚马逊在AI训练数据合规性方面的任何政策立场，都可能通过其生态系统产生放大效应。

在数据采集方面，亚马逊拥有独特的优势——其电商平台积累的海量商品描述、用户评价，Kindle平台上的电子书内容，以及Alexa语音助手收集的对话数据，都是潜在的训练素材。Audible有声书、IMDb影评、Twitch直播内容等子公司资产进一步扩大了其数据版图。这种横跨内容生产与AI研发的双重身份，使亚马逊的"合理使用"主张更具争议性——它既是内容平台的运营者，又是数据的消费者。

对于中小创作者和版权持有人而言，即便认为自己的权益受到侵害，高昂的诉讼成本和漫长的司法周期也让维权变得举步维艰。根据美国知识产权法协会（AIPLA）的调查报告，一场涉及100万至2500万美元争议金额的版权诉讼，当事人的平均律师费用约为200万至500万美元，诉讼周期往往持续数年。对于个体创作者而言，这往往意味着即使拥有强有力的法律主张，也难以承担诉讼风险。集体诉讼（class action）虽然可以分摊成本，但在版权领域面临"个体化"问题——每个创作者的作品被使用的方式和程度不同，难以统一主张。部分律所采用"风险代理"（contingency fee）模式，但这通常要求案件有高额赔偿的合理预期。这种资源上的不对等，正是发帖者所说的"时代信号"——法律条款在纸面上人人平等，但在执行层面却存在明显的力量落差。

AI版权争议的行业背景：诉讼此起彼伏

这场讨论并非孤例。近年来，围绕AI训练数据的版权诉讼已经此起彼伏：

• 《纽约时报》诉OpenAI与微软，指控其未经授权使用新闻内容训练模型。原告提供了大量证据显示ChatGPT能几乎逐字复现时报的付费文章内容，这直接挑战了"AI只学习模式而非记忆内容"的辩护逻辑。OpenAI则回应称这些案例属于"回忆"（regurgitation）的异常情况，已通过技术手段加以限制。

• 多位艺术家起诉Stability AI、Midjourney等图像生成公司，认为其作品被非法用于训练。Sarah Andersen等艺术家的集体诉讼揭示了一个尖锐问题：用户可以通过在提示词中输入特定艺术家的名字，生成高度模仿该艺术家风格的作品，这实质上创造了一个"免费的风格复制工厂"。

• 开发者社区对GitHub Copilot的质疑，涉及开源代码的许可证合规问题。许多开源代码采用GPL等"传染性"许可证，要求衍生作品也必须开源，而Copilot生成的代码片段如果源自GPL代码，是否也应遵守相同条款，至今悬而未决。

这些案件的共同点在于，它们都在挑战"AI训练是否天然属于合理使用"这一尚无定论的法律灰色地带。亚马逊作为云计算和AI服务的重要玩家，自然也身处这场风暴的中心。

值得关注的是，几乎所有主流大语言模型的训练都依赖于Common Crawl等公开数据集——Common Crawl是一个非营利组织，自2008年起持续爬取互联网页面并免费提供数据存档，其数据集包含数十亿网页的完整内容，总量达PB级别。截至目前，Common Crawl已累积爬取了超过2500亿个网页，其爬虫每月抓取约30至50亿个网页，覆盖数百万个域名。几乎所有主流大语言模型都在其训练数据管线中使用了Common Crawl的某个版本——通常经过过滤和去重处理后形成各种衍生数据集，如C4（Colossal Clean Crawled Corpus，由Google创建用于训练T5模型）、The Pile（由EleutherAI整理的800GB多源数据集）和RefinedWeb（由Technology Innovation Institute创建用于训练Falcon模型的高质量网页数据集）。

这创造了一个独特的法律困境：AI公司可以声称自己并未直接爬取版权内容，而只是使用了第三方提供的公开数据集。但版权持有人并未授权Common Crawl收录其内容，Common Crawl作为非营利组织，其法律地位颇为微妙——它声称其爬取行为类似于搜索引擎，受合理使用保护，但这一主张从未在法庭上经过正式检验。这种"中间层"的存在并不能自动免除最终使用者的版权责任。

值得思考的深层问题

技术进步与权利保护如何平衡

AI的发展确实需要大量数据作为"燃料"，过度严苛的版权限制可能会扼杀创新。但另一方面，如果创作者的劳动成果被无偿吸纳、转化为商业价值，却得不到任何回报或认可，长期来看反而会削弱内容创作的积极性，最终损害AI赖以生存的数据生态。

AI时代需要新的版权制度框架

现有的版权法诞生于印刷时代，其后经历了广播、互联网的多次修订，但面对生成式AI，这套框架显然力有不逮。业界正在探索的方向包括：

• 数据授权市场的建立：这并非纯粹的理论构想，已有多个实际案例。Reddit在2024年与Google签署了价值6000万美元/年的数据授权协议，允许Google使用其平台内容训练AI模型。类似地，美联社（AP）与OpenAI达成了内容授权合作，Shutterstock则与多家AI公司建立了图像数据授权关系并设立了创作者基金。然而这种模式也面临批评：个体创作者往往无法参与谈判——当Reddit出售用户生成内容时，发帖的用户本身并未获得补偿。

• 创作者补偿机制的设计

• 训练数据透明度要求：全球监管格局在这一问题上呈现显著分化。欧盟采取了较具干预性的立场：2019年通过的《数字单一市场版权指令》第4条为文本和数据挖掘（TDM）设立了特定例外，但允许版权持有人通过"机器可读方式"声明保留权利，这意味着opt-out机制在欧盟具有法律约束力。欧盟的《AI法案》进一步要求高风险AI系统披露训练数据相关信息。日本则采取了相对宽松的立场，其2018年修订的版权法第30条之4明确规定，为"信息分析"目的使用作品不构成侵权，且不设opt-out机制，这使日本成为AI训练的"避风港"。美国目前主要依赖司法判例而非立法来界定边界，版权局于2023年启动了关于AI与版权问题的公众咨询，但尚未出台明确的行政规则。中国则在2023年的《生成式人工智能服务管理暂行办法》中要求训练数据来源合法，但具体的版权边界仍待司法实践明确。这种全球性的监管碎片化意味着跨国AI公司可能会进行"监管套利"——在监管宽松的司法管辖区进行训练，然后全球部署模型。监管套利在AI行业已有实际体现：例如Stability AI在英国和美国面临多起诉讼，但其训练数据集LAION-5B的编制工作主要在德国完成——LAION（Large-scale Artificial Intelligence Open Network）是一个总部位于德国汉堡的非营利组织；日本由于其宽松的版权例外政策，已吸引了多家AI公司将训练基础设施部署在当地。这种现象与历史上的"避税天堂"类似：当不同司法管辖区对同一行为设置不同的法律约束时，具有全球运营能力的企业自然会选择限制最少的地点开展敏感活动，进一步加剧了问题的复杂性，也凸显了AI治理需要国际协调的必要性。

• "选择退出"（opt-out）机制的完善：目前主要的技术方案包括robots.txt协议的扩展、HTML meta标签中的AI训练指令（如"noai"和"noimageai"标签），以及由Spawning AI公司推出的"Have I Been Trained"平台。然而这些机制存在根本性缺陷：robots.txt本质上只是一种"君子协定"，没有法律强制力；许多AI公司的训练数据集（如Common Crawl）是多年前抓取并归档的，创作者事后声明"退出"无法影响已完成的训练；即使成功从训练集中移除数据，"机器遗忘"（machine unlearning）在技术上仍是一个未解决的难题——从已训练好的模型中精确删除特定数据的影响，目前尚无可靠方法。机器遗忘之所以极其困难，源于深度学习模型的分布式表征特性：单个训练样本的"记忆"不是存储在某个特定的模型参数中，而是分散编码在数十亿个参数的相互关系中。目前的研究方法包括精确遗忘（通过影响函数计算特定样本的贡献并撤销）和近似遗忘（通过微调使模型"忘记"特定内容），但前者计算成本接近重新训练，后者则难以保证遗忘的完整性。2023年NeurIPS举办了首届机器遗忘竞赛，显示这一领域仍处于早期探索阶段。

这些尝试能否真正落地并平衡各方利益，仍有待观察。

结语

Hacker News上这条简短的帖子，之所以能引发讨论，正是因为它精准地点出了一个正在发生的结构性问题：在AI浪潮中，技术能力、法律解释权和商业利益高度集中于少数巨头手中，而"合理使用"这一原本用于保护公共利益和知识流动的原则，正面临被重新定义甚至被工具化的风险。

无论最终的法律判决走向如何，这场关于"合理使用边界"的辩论，都将深刻影响未来AI产业的规则制定，以及创作者与技术公司之间的权力关系。它提醒我们：技术的每一次跃进，都需要相应的制度智慧来护航，否则"时代的信号"最终可能演变为"时代的隐忧"。