随着人工智能技术的迅猛发展，大型语言模型（LLM）如OpenAI的GPT系列、Anthropic的Claude等，正成为引领科技创新和商业应用的核心动力。训练这些语言模型需要海量、多样的数据，图书作为知识积累和文化传承的重要载体，成为了必不可少的训练素材。然而，围绕这些数据的合法性和版权问题，也引发了广泛的法律争议。近期，美国加州北区法院法官威廉·奥尔萨普对Anthropic公司使用图书数据训练其Claude模型的案件做出了重要裁决，为业界提供了宝贵的法律指引。Anthropic公司在训练其Claude语言模型时，从合法购买的数百万本图书中提取数据，还有大量从所谓“盗版图书库”获取的内容。这起由三位作者——安德里亚·巴茨、查尔斯·格雷伯和柯克·华莱士·约翰逊提起的诉讼，质疑Anthropic未经授权使用其作品侵犯版权。
法官奥尔萨普在判决中明确指出，将印刷图书数字化的行为，在当前美国版权法下构成公平使用，因为扫描过程中图书的实体页被销毁，没有复制版权作品的行为。换言之，为了训练人工智能而购买图书并将内容数字化，可以被视为一种变革性的使用，其目的并非复制或取代原著，而是创造新的智能应用和知识表现形式。然而，法官同时也否定了Anthropic公司从盗版图书在线库大量下载并保留这些电子书内容的合法性。特别是该公司至少从三大知名盗版来源获取了超过七百万本书籍，而这些行为被认定侵犯版权，且需要承担相应的法律责任。此案的复杂性在于，Anthropic既有尝试通过正规渠道与出版社洽谈合作的历史，也有基于“成本效益”的考量，转而选择直接购买图书并进行扫描数字化的做法，此外还同时保留了盗版数据作为参考和备份。法官强调，虽然扫描购买的图书可认定为公平使用，但非法下载和保留盗版数据，出于方便或经济利益目的，则明显超出合法范围。
此判决反映了美国司法系统在保护原创作品版权与推动科技创新之间的微妙平衡。一方面，版权法的核心目标包括促进创造和科学进步，公平使用原则允许合理范围内对版权作品的再利用，尤其是在变革性用途方面。另一方面，保护作者权益、防止盗版泛滥仍然是法律重点，确保原创劳动得到尊重。此案对整个AI行业具有重要启示意义。首先，围绕训练数据合法性的争议不可能一蹴而就，企业必须建立严格的数据合规策略，确保训练素材来源透明且符合法律规定。其次，单纯依赖盗版数据无疑加剧版权纠纷风险，可能面临高额赔偿和声誉损失，阻碍业务长期发展。
再次，法院对数字化扫描等技术处理手段的公平使用认可，也为技术创新提供了制度保障。行业专家认为，未来AI大模型的训练将趋向于更规范化和多元化的数据采集方式。通过与出版社、作者合作取得授权许可数据，或采用公开版权作品及原创内容，行业将构建更加健康的训练生态。同时，版权法也可能随着技术进步不断调整，明确界定训练AI模型时版权材料的使用边界和权益分配。对内容创作者而言，该判决既是鼓励也是警醒。在保护自己作品的合法权益基础上，也应积极参与AI技术生态的构建，借助新技术实现知识的传播和商业价值转化。
行业协会和版权机构可以推动制定专门的AI训练数据许可标准和协议，平衡创新与权益保护。此外，公众和消费者也应关注人工智能产品背后的数据来源和版权问题，推动形成尊重知识产权的良好文化环境。总的来说，美国法官奥尔萨普最新判决在推动人工智能发展与版权保护之间找到了一个务实的中间路径。它肯定了合理使用印刷图书数据训练语言模型的合法性，同时严厉打击盗版数据的非法利用，彰显了法律在新兴技术面前的灵活性与权威性。未来，在法律、技术和伦理多方力量的共同推动下，人工智能训练数据的合法获取和使用必将更加规范化，推动AI产业良性、健康发展，也让广大内容创作者获得应有的尊重和回报。随着人工智能与内容产业的进一步交融，这一领域的法律实践和政策制定仍将持续演变，为全球数字经济注入新的活力和动力。
。
