用盗版语料训练AI面临15亿美元清算

当地时间7月20日，美国旧金山联邦法院正式批准了Anthropic与作者群体之间达成的15亿美元版权和解。这是目前美国版权案件中已知金额最高的和解。根据方案，约50万部作品的权利人将获得补偿，平均每部作品约3000美元。超过91%的相关作者和出版商已提交补偿请求，法院同时批准支付超过1.01亿美元的律师费。

15亿美元——一个极具传播力的数字，让人以为AI公司因使用版权作品训练模型而付出了美国版权史上最昂贵的代价。但这个结论恐怕并不准确。

Anthropic支付的15亿美元，与其说是“AI训练费”，不如说是对盗版语料获取、复制和长期保存行为的一次高额清算。这两者之间有着本质区别。

一、法院并未否定AI训练的合理使用

这一案件始于2024年。包括Andrea Bartz、Charles Graeber和Kirk Wallace Johnson在内的多位作者起诉Anthropic，指控其从Books3、LibGen、PiLiMi等“影子图书馆”下载了数百万本图书，并将其中部分作品用于训练Claude大模型。

在案件审理过程中，法院实际上做出了两项方向并不完全相同的裁决。

一方面，法院认为Anthropic使用图书训练大语言模型的行为具有较强的转换性。在本案具体事实和证据条件下，这种训练行为可以构成美国版权法中的合理使用。换言之，模型通过阅读大量作品学习语言规律，并不等同于对作品表达的复制和替代。至少在这份裁判中，法院并未接受“未经许可使用版权作品训练模型必然构成侵权”的观点。

另一方面，法院认为Anthropic为了建立一个可反复使用的“中央图书馆”，从盗版网站下载并保存了超过700万本图书，这些复制行为不能仅仅因为将来可能用于AI训练就自动获得合理使用的保护。

训练目的与语料来源是两个不同的问题。AI训练可能具有转换性，但这并不意味着企业可以通过任何方式获取训练材料；最终用途可能合法，但不能倒推前端的盗版下载和复制行为合法。这正是本案最重要的法律分界线。

二、15亿美元的核心问题：语料从何而来

将Anthropic的行为拆解来看，整个案件至少包含四个不同环节：

从盗版网站批量下载图书；将图书复制并存入企业“中央图书馆”；从图书库中调取部分作品训练模型；模型训练完成后生成新内容。

社会讨论往往将这四个环节统称为“AI训练”，但版权法不会因为这些行为服务于同一项技术活动，就将它们视为不可分割的整体。

取得语料涉及复制是否合法；保存语料涉及复制的目的、期限和必要性；训练模型涉及转换性使用及其对原作品市场的影响；生成内容则可能涉及表达相似、实质性替代以及输出端侵权等问题。

Anthropic在训练环节获得了有利裁决，但在语料获取和保存环节面临巨大风险。双方最终达成15亿美元和解，正是因为后一个环节可能带来的法定赔偿责任极为惊人。

因此，不能简单地将这笔和解概括为“美国开始向AI训练收费”，更不能理解为所有利用版权作品训练模型的企业都需要按每部作品3000美元支付许可费。它真正发出的警告是：合理使用可以保护特定的使用方式，但不能替企业洗白盗版语料的来源。

三、和解金额虽高，但未形成统一判例

15亿美元的金额具有强烈的标志性，但和解并不等同于法院做出了15亿美元的侵权赔偿判决。Anthropic通过和解避免了案件进入审判，也没有因此承认所有相关AI训练行为均构成版权侵权。对于和解范围内的既有争议，案件将进入补偿分配和收尾阶段；但部分选择退出和解的作者和出版商，仍可能针对Anthropic另行提起诉讼。

更重要的是，此前关于训练行为构成合理使用的判断，只是在本案特定事实基础上做出的地区法院裁判，并未为美国所有生成式AI案件建立普遍适用的规则。不同案件中的语料来源、模型功能、输出方式、市场替代效果和权利类型都可能不同。图书训练案件的结论，也未必能直接适用于音乐、图片、新闻报道、计算机程序或影视作品。

因此，这次最终批准同时留下了两个看似矛盾、实则并存的信号：第一，AI训练仍然存在被认定为合理使用的空间；第二，以盗版方式建立训练语料库，可能产生足以威胁企业生存的赔偿风险。

这并非AI版权争议的终局，而是版权风险开始从笼统的“能不能训练”，转向对数据全生命周期的逐层审查。

四、AI企业需要的不仅是一份版权许可清单

过去，许多企业在评估训练数据风险时，首先追问的是：使用这些作品训练模型是否构成合理使用？Anthropic案表明，这个问题问得已经太晚了。

在判断训练用途之前，企业至少还需要回答：这些数据从哪里获得？下载平台是否具有合法授权？获取过程中是否绕过了技术措施？企业保存了多少份副本？原始数据在训练完成后是否继续留存？谁曾经接触、复制和调用这些数据？如果发生争议，企业能否证明每一批数据的来源？

因此，AI版权合规不能仅有一份“禁止使用数据清单”，而需要形成贯穿数据全生命周期的证据链：来源可追溯、权利可核验、用途可区分、存储可控制、删除可证明。

对于采购第三方数据集的企业，仅由供应商承诺“数据可以用于AI训练”远远不够。合同还应明确数据来源、授权范围、转授权能力、侵权赔偿、审计权以及问题数据的删除义务。

对于使用开源语料库的企业，“公开可下载”也不等于“版权已清洁”。开源的是数据集访问方式，还是数据集所包含作品的版权，这是两个完全不同的问题。

对于已经积累大量历史训练数据的企业，更现实的做法是尽快完成一次语料资产盘点。将合法购买、获得许可、公开授权、网络抓取和来源不明的数据分别标识，并对高风险数据采取隔离、替换或删除措施。

知产力判断

Anthropic案最容易被记住的是15亿美元。但真正可能改变AI行业合规模式的，不是这个数字，而是法院在训练行为与语料获取之间划出的一条边界。

AI模型可以学习什么，以及AI企业如何获取学习材料，并不是同一个问题。技术的转换性可能为模型训练提供合理使用的空间；但再先进的技术目的，也不能当然成为盗版下载和无限期保存版权作品的通行证。

15亿美元并非对所有AI训练行为开出的一张统一价目表。它更像是一张迟到的账单——当训练语料的来源无法解释时，企业最终需要支付的，可能不是许可费，而是对整个数据获取方式的清算。