《纽约时报》指控 OpenAI 藏了证据，这场版权官司开始审问模型公司自己的日志
作者：韩启明｜OC 科技政策编辑
韩启明
据 TechCrunch 报道，《纽约时报》和《纽约每日新闻》要求法院制裁 OpenAI，指控其一边声称难以检索训练数据和海量聊天日志，一边早已在内部建立工具与数据集，用来寻找模型复述受版权保护内容的情况。OpenAI 否认这些指控。
一句话结论：这场争议还没有证明 OpenAI 侵权，但它把一个更基础的问题推到台前——模型公司是否必须保存、理解并向法院解释自己用过什么数据、产生过什么输出。
新闻机构的核心说法是，OpenAI 在诉讼中强调检索训练语料技术负担很大，也以用户隐私为由反对提供 ChatGPT 对话；但今年 4 月的一次证词据称显示，OpenAI 内部曾搜索训练语料中的新闻作品，并在诉讼前就建立了约 7800 万条去标识化对话的数据库，用于研究模型复述。
原告还提到名为 Project Giraffe 的内部工具和 Bloom filter。Bloom filter 可以快速判断一段内容“可能出现过”，代价是允许少量误报。它很适合在海量输出中筛查疑似复述，却不能单独证明具体文章被用于训练，更不能直接完成版权法律判断。
争议最尖锐的部分在证据发现程序。原告原本要求 1.2 亿条聊天记录样本，后来缩减为 2000 万条；他们称 OpenAI 提供的数据经过大量删减，几乎无法使用，还删除或替换了应保留的输出。原告因此要求法院排除这批样本、作出不利推定，并让 OpenAI 承担额外法律费用。
OpenAI 的回应是，这些说法“明显虚假”，《纽约时报》是在案件变弱后继续试图侵入无关用户的私人对话。OpenAI 过去也公开表示，法院要求保留和提供聊天日志会损害用户隐私，并称自己一直在对数据去标识化、限制访问。
两边的说法不能混成一个既定事实。目前能确认的是原告提出了制裁请求，法院尚未就这些最新指控给出最终认定。即便法院认为 OpenAI 在证据保存上有问题，也不自动等于训练行为本身构成版权侵权；但它可能影响法官如何看待 OpenAI 的可信度，以及哪些事实可以在后续审理中被推定成立。
这件事对整个 AI 行业的冲击可能比一家公司更广。模型企业过去常以系统规模巨大、数据来源复杂来解释无法回答训练集问题；可一旦企业内部已经有复述检测、风险评估和日志分析工具，法院就会继续追问：既然你能为安全和产品质量搜索，为什么不能为权利人和诉讼搜索？
关键事实
- 新闻机构已经申请制裁，法院尚未认定 OpenAI 隐瞒或销毁证据。
- 原告称 OpenAI 内部拥有约 7800 万条去标识化对话数据和复述检测工具。
- 双方围绕 2000 万条聊天记录样本的完整性、隐私和可用性发生争议。
- 证据程序问题与最终版权侵权责任是相关但不同的法律问题。
OC 判断
AI 公司不能长期同时使用“我们无法知道数据里有什么”和“我们有能力监测模型复述”两套叙事。未来的模型治理不仅要求安全评测，还会要求数据血缘、日志保留和可审计工具从一开始就进入系统设计。
为什么重要
- 开发者：数据日志、过滤器和内部评测将可能成为诉讼证据，设计时要考虑可解释和保留策略。
- 企业：接入模型服务时，需要明确谁保存对话、保存多久、遇到法律要求如何处理。
- 用户：所谓“为保护隐私不提供日志”并不代表日志从未存在或不会被依法保留。
评论
围绕这篇文章补充信息、提出问题或分享观察。