“这是人类史上最大规模的盗窃！”被起诉3年，微软和OpenAI内部文件「自曝」：AI正在吃掉整个互联网，还搞出了“死亡循环”

整理 | 郑丽媛

出品 | CSDN（ID：CSDNnews）

如果说有什么比被指控偷东西更尴尬的，那就是：你在自己的内部文件中早就承认了。

“全世界数百万人，很快就会把大模型‘吸干’他们作品的行为，视为一场人类史上最大规模的盗窃。”——这句话，不是出自哪位愤怒的作家或批评者之口，而是微软应用科学部门主管 Brent Hecht 在 2023 年 1 月一份内部备忘录里写下的。

最近，随着《纽约时报》起诉 OpenAI 和微软版权案的大量未删节法庭文件解封，科技巨头们长期以来坚称“AI 训练属于合理使用”的法律防线，正在被他们自己的内部言论一块块拆掉。

AI 一边“吃”内容，一边抢走内容的流量

事情要从2023 年《纽约时报》与 OpenAI、微软的版权大战说起。

2023 年，《纽约时报》起诉两家公司，指控其未经许可使用大量新闻内容训练生成式 AI 模型。OpenAI 和微软则主张，这类训练行为受到美国版权法“合理使用”（Fair Use）原则保护，模型并非简单复制原作品，而是经过训练后形成了具有新用途的系统。

这场官司一打就是三年，期间大量关键信息被两家公司以“商业机密”为由申请封存或涂黑——直到今年 9 月 17 日，美国纽约南区联邦法院终于解封了《纽约时报》等新闻出版商提交的简易判决书，那些此前被涂黑的段落才第一次公之于众。

结果，一公开就炸了。

例如，诉讼文件中显示，微软内部曾统计过一个相当直观的数据：与传统 Bing 搜索相比，微软 Copilot “答案引擎”带给《纽约时报》网站的点击率最高下降了 93%。也就是说，过去用户搜索到一篇新闻后，还需要点击链接进入《纽约时报》；现在，AI 可以直接把信息整理成答案，用户甚至不需要打开原网页。

对此，OpenAI 内部的一名软件工程师也有过非常直白的描述：

“不管我们把链接放得多么显眼，用户都不会点击。”

而 OpenAI ChatGPT 负责人 Nick Turley 更直接地写道，出版商正面临来自 AI 产品的“生存性威胁”，因为这些产品“很大程度上具有替代性”，而且随着能力提升，这种替代性还会越来越强。

微软内部称其为“死亡循环”

在 Brent Hecht 撰写的一份微软内部报告中，直接把这种局面描述为“死亡循环”（doom loop）。

原因很简单：如果用户可以直接向 AI 提问，并在 AI 产品里获得整理好的答案，那么他们就没有那么强的动力再点击原始新闻网站。但这又可能进一步减少媒体获得的流量和收入，最终让媒体减少内容生产，进而影响 AI 模型未来可以获得的高质量训练数据。

为此，Brent Hecht 在内部文件中写道：

“终端产品威胁其核心供应商的经济基础，这种情况‘非常不寻常’。但对于我们的 LLM 业务而言，这恰恰是我们围绕‘内容供应链’所创造出来的局面。”

在他看来，这不仅可能会影响新闻媒体，同时也可能“损害模型表现和整个互联网”。

换句话说，AI 公司正在面临一个相当尴尬的问题：模型越擅长替用户提供信息，用户越不需要访问原始网站；而原始网站如果因此失去收入，就可能减少内容生产，最终反过来影响 AI 模型的数据来源。

“史上最大规模的劳动力盗窃”，到底指什么？

如开头所说，Brent Hecht 在那份内部备忘录中写道，未来全球数以百万计的人会认为，大模型“吸走”他们创造的一切，是一种“规模惊人、前所未有的盗窃”，甚至是一场“人类历史上最大规模的劳动力盗窃”。

他还指出，几乎没有人希望自己创造的内容以这种方式被使用，也没人因此获得补偿。

这里的“劳动力”并不只是记者——新闻报道、书籍、博客、代码、图片等大量互联网内容，本质上都是人类投入时间和劳动创造出来的。而大模型的训练，需要从海量数据中学习语言、知识和表达方式。对于 AI 公司来说，这些数据是模型能力的基础；但对于内容创作者来说，它们同样代表着自己的劳动成果。

而此次文件披露的数据，也让这种规模有了更加直观的概念：

• 根据《纽约时报》提交的文件，OpenAI 部分“中期训练”（mid-training）数据集中，仅来自《纽约时报》、《每日新闻》以及调查报道中心的作品副本，就超过 91692 份。

• 另一个源自 Common Crawl 的数据集，仅从 nytimes.com 一个网站就包含超过 200 万份文档。

• 此外，微软和 OpenAI 还被指通过 Project Taxi、Project Mango 等项目交换和整理训练数据，Project Mango 数据集中据称包含至少 160903 份来自新闻出版商的独立作品。

说到这里，问题来了：这些内容、尤其是付费内容，究竟是如何进入AI 训练数据的？

根据诉讼文件显示，OpenAI 研究员 Nick Ryder 曾告诉联合创始人 Greg Brockman，自己找到了一个“绕过《纽约时报》付费墙的 hack”。对此，Brockman 只轻描淡写地回复了一句：“啊，不错。”

此外，文件还指称，OpenAI 曾构建 WebText、WebText2 等训练数据集，大量使用抓取而来的新闻内容，还同时从 Common Crawl 等开放网页数据集中获取了数百万篇文章。不仅如此，研究人员还曾有意删除其中的版权声明，因为他们不希望模型最终向用户输出这些“版权声明”。

对此，《纽约每日新闻》的律师 Steven Lieberman 说得很直白：“此次披露的证据首次表明，OpenAI 和微软一开始就知道自己所做的事情是错的。”

微软 CEO 也曾承认：付费内容应该获得授权

在此次曝光的材料中，还有一个有意思的反差。

微软 CEO Satya Nadella 在今年的证词中曾说，“任何处于付费墙后的内容，如果要用于 AI 训练或内容支撑，就应该获得授权”。他还表示，如果自己当时知道 OpenAI 使用了付费墙后的内容进行训练，他会“行使微软的权利，要求OpenAI 重新训练其模型”。

这两句话放在一起，意思很明确：如果我知道你干了这事，我会阻止你——可问题是：微软自己的 Bing 就是 OpenAI 抓取内容的渠道之一，Satya Nadella 是真的不知道吗？

不过，微软目前也强调，以上 Brent Hecht 的相关内部备忘录仅属于“员工的个人观点”，并不代表“公司立场”，并坚持在诉讼中主张，其对内容的使用符合版权法中的合理使用原则，并认为 Copilot 并不是新闻出版商内容的替代品。

这场版权官司最终会如何判，目前还是要交给法院；AI 训练是否属于合理使用，也不会因为几份内部文件就有定论。但至少，有一点已经很清楚了：

当一家公司的内部备忘录把自己的行为称为“人类历史上最大的劳动力盗窃”，当自己的数据证明产品让内容提供方的流量暴跌 93%，当自己的高管承认产品“具有替代性”——这个“合理使用”的辩护，可能也没有那么好打了。

那么，你对于这场版权官司，又有何看法呢？

https://www.404media.co/doom-loop-openai-and-microsoft-admits-llms-are-destroying-the-web-and-built-on-theft/

https://techcrunch.com/2026/09/17/microsoft-exec-called-ai-scraping-the-largest-theft-of-labor-in-human-history-new-unredacted-filings-reveal/

当 OpenAI、Anthropic、Google，到智谱、DeepSeek、Kimi、阿里都开始密集发布自进化相关研究，RSI 正从概念走向真正的技术竞赛。

11 月 20—21 日，2026 奇点智能技术大会「大模型技术：从 Agentic Scaling 到 RSI」专场，将邀请一线研究者与工程专家，围绕 Agentic Scaling、RSI、自进化闭环、持续学习、AI 制造 AI 等关键问题展开分享。

同时，我们整理了 《RSI（递归自我改进 / 自进化）前沿研究资料包》，汇总 OpenAI、Anthropic、Google、DeepSeek、智谱、Kimi、阿里等最新论文、官方技术报告与研究出处。

扫描下方海报二维码，领取 RSI 前沿资料包，并了解专题参会详情。