近 400 家美国报纸联手起诉微软和 OpenAI：抓我的内容训练 AI，一分钱没给
近 400 家美国报纸，这周凑到一块儿，把微软和 OpenAI 一起告了。
不是一两家头部大报跳出来喊话，是近 400 家。地方报、区域报，那种你可能一辈子没听过名字、靠几个记者撑着一座小城新闻的报纸，联起手来，递了一份诉状到纽约南区联邦地区法院。彭博社这周披露的法庭文件里，代表原告的律师说了一句话，这是地方和区域报纸发起过的最大规模的一次法律行动。
我刷到这条的时候，正在调一个 agent 的抓取工具链，屏幕另一半还开着一堆网页快照。怎么说呢，有点恍惚。我每天干的活，某种意义上就是教机器怎么把网页变成模型能吃的料。结果一抬头，看到近 400 家报纸为了几乎一模一样的事，把人告上了法庭。
这事值得跟你好好唠唠。它不只是又一桩 AI 版权官司，里面藏着一条挺狠、也挺少见的指控，我看到那条的时候，是真的停下来重读了一遍。
先把骨架摆清楚。
出版商联盟告的核心是，微软和 OpenAI 未经授权抓取新闻网站的内容，拿去训练 Copilot、ChatGPT 这些产品背后的大模型，侵犯版权。这个指控你大概不陌生，2023 年底纽约时报就干过同样的事，那份诉状到现在还在打（The New York Times Company v. Microsoft Corporation et al.）。AI 公司抓数据训练，版权方说你没问过我，这是过去两年最大的一条法律暗线。
但这次的诉状里有个东西，比单纯的版权侵权要刁钻。
起诉书说，被告系统性且秘密地爬取出版商的网站，把文章复制到自己的服务器上训练模型，并且，在这个过程里删除了版权管理信息。
版权管理信息，英文叫 CMI（Copyright Management Information），听着拗口，我用大白话给你拆一下。你可以把它理解成贴在每篇文章上的那张身份标签，谁写的、谁拥有版权、什么时候发的、转载需要什么授权，这些元数据就是 CMI。它是数字时代用来追踪一篇内容归属的钉子。
而美国有一部 1998 年就立的法，叫《数字千年版权法》，缩写 DMCA。这法里有个第 1202 条（17 U.S.C. § 1202 法条原文），专门管一件事，你不许故意去掉或者篡改别人作品上的 CMI，也不许明知 CMI 被抹掉了还去传播这份作品。原始立法的画面感是，有人把照片底下的署名水印 P 掉，再拿去到处卖。
现在出版商把这条搬出来，指着 AI 公司说，你们抓我文章的时候，把作者、版权、出处这些标签一并抹了，然后喂给模型。
为啥要单拎出这条？因为它绕开了 AI 官司里最难啃的那块硬骨头，合理使用。
合理使用（fair use）是美国版权法里给后来者留的一道口子。简单说，你在某些情况下用了别人有版权的东西，但用途有足够的转化性、不抢原作的市场，法律就放你一马。批评、评论、新闻报道、研究、教学，经典的几类。OpenAI 这两年的辩护词，核心就压在这四个字上。这次他们的发言人 Drew Pusateri 回应得也很标准，说公司模型推动创新，训练数据来自公开可获得的内容，建立在合理使用的基础之上（OpenAI 关于版权与训练数据的一贯立场）。
你品品这套逻辑。公开可获得，所以我能抓；合理使用，所以我能训。一道防线挡两波进攻。
而 CMI 这条狠就狠在，它跟你转不转化没关系。哪怕法院最后认定训练模型属于合理使用，删除版权管理信息这个动作本身，可能仍然单独违法。这是两套独立的判断。原告等于在合理使用这堵墙之外，又开了第二条战线。我看到这个法律设计的时候，心里冒出来的词是，有点子刁钻。
当然了，这条能不能成，还得看法院怎么认。AI 公司这边肯定会争辩，模型训练完之后，那些 CMI 标签到底是被故意删的，还是在数据清洗、分词、向量化的工程流程里自然丢的。这中间的界线，说实话连我这种天天跟数据管道打交道的人都觉得模糊。一篇网页抓进来，要去广告、去导航栏、去脚注、切成 token，等它变成训练语料的时候，原来挂在 HTML 头里的版权声明早就不知道掉哪儿去了。这到底算不算第 1202 条说的故意移除，是个能吵很久的技术 + 法律问题。
但出版商敢这么告，本身就说明一件事，他们不想再陪你在合理使用的泥潭里耗五年了。
说回到这近 400 家报纸自己。
我一直觉得，这件事最戳人的地方，不在法条，在主体。告状的不是估值千亿的科技巨头，是一堆地方报纸。原告在诉状里有句话，我反复看了两遍，他们说这些生成式 AI 产品建立在出版商长期投入的内容之上，给被告带来了数十亿美元的市场价值，而出版商，一分钱都没拿到。
数十亿美元，和一分钱没拿到。这两个数字摆一块儿，那种荒诞感就出来了。
你想想看一家地方报纸是怎么活着的。可能就十几个人，一个跑市政的记者，一个盯学区和球队的，一个管讣告和社区版面的。他们一篇一篇地把一座小城的事记下来，市议会改了什么规、哪条路要修、哪个本地企业倒了。这些内容不性感，不会上热搜，但它是这座城的记忆。这些报纸的网站流量本来就被搜索和社交切走了一大半，现在又来一个东西，把他们几十年的存稿抓进模型，转手用一个对话框把答案吐给用户，用户连点进原文那一下都省了。
原告用了一个很重的词，丧钟。他们说如果 AI 公司可以滥用新闻内容而不承担任何责任，这一轮 AI 热潮，可能会成为地方新闻业的丧钟。
这个词我盯着看了挺久。丧钟不是说会死得很惨，是说连送葬的钟声都给你敲好了。
我得承认，我对 AI 抓数据这件事，立场是拧巴的。一方面，我干的就是这行，我太清楚一个好模型背后需要多大、多杂、多真实的语料，没有海量的真实文本，模型就是个会背书的空壳。另一方面，我自己也写东西。这个号每一篇都是我一个字一个字敲的，敲到凌晨是常事。我特别能理解那种感觉，你熬出来的东西，被人不打招呼地拿走，洗一遍，变成它的能力，还反过来挤你的生存空间。这事搁谁身上都得拧巴。
所以我不太想站在某个高处去评判谁对谁错。我更想把两边的处境都摊开给你看。
站 AI 公司这边，他们的难处是真的。模型能力的天花板高度依赖数据，而世界上绝大多数高质量文本，本来就带着版权。如果每抓一个网页都得先签授权、付费、走流程，那这事在工程上几乎没法做，至少没法用今天这个速度做。他们赌的是，训练这个行为的转化性足够强，强到能被算成合理使用，就像人读了一千本书再写出自己的书，你不能说他抄。
站出版商这边，他们的委屈也是真的。读书的人写出新书，不会反过来把原书的销路打没。但 AI 不一样，它学完你的内容，输出的东西可能直接替代了你，用户拿到答案就走，再也不来你的站。这不是站在你肩膀上，这是踩着你往上爬，还顺手把梯子撤了。
这两套逻辑，你说哪套全错？我觉得都没全错，这才是麻烦的地方。
而行业其实已经分成了两拨人，在用行动选边。
一拨是签约派。OpenAI 这两年到处签授权，美联社（AP 与 OpenAI 的内容授权）、Axel Springer（《政治报》《商业内幕》的母公司）、News Corp（《华尔街日报》那家），都跟它谈成了内容合作，模型可以合法地用这些内容，出版商拿钱（OpenAI 与 Axel Springer 的合作公告、OpenAI 与 News Corp 的多年协议）。这条路的潜台词是，数据是要花钱买的，咱们把规矩立起来。
另一拨是开战派。纽约时报不签，告。现在这近 400 家地方报纸也不签，一起告。他们赌的是，与其拿一笔可能并不对等的授权费把话语权交出去，不如在法庭上把规则之争打到底，争一个对整个行业都算数的判例。
有意思的是，这两拨人想要的，其实是同一个东西，一个清晰的、内容创作者不吃亏的规则。只是一拨想用合同去换，一拨想用判决去争。
那这事跟我们这些天天在中文互联网里写代码、写文章、做产品的人，有半毛钱关系吗？
我觉得关系大了。
你想想，这两年我们身边有多少东西，是建立在抓取之上的。你训一个垂直领域的小模型，语料哪来的？你做一个 RAG（检索增强生成，简单说就是让模型先去一个知识库里翻资料再回答）的知识库，文档哪来的？你搭一个 agent 去自动读网页、做摘要，它读的那些网页，又是谁写的？
我们这个圈子，长期对数据来源有一种心照不宣的松弛。能爬就爬，robots.txt 当个建议看，反正法不责众，反正大家都这么干。这次近 400 家报纸的集体行动，是把一个一直被我们模糊处理的问题，硬生生摆到了台面上，你用的数据，到底有没有权利用。
我不是说咱们以后写个爬虫都得心惊胆战。我是说，那个能随便抓、抓了也没人管的草莽年代，正在以肉眼可见的速度过去。当数十亿美元的价值和一分钱没拿到这种对比，开始被一份一份诉状钉进司法记录里，游戏规则就一定会变。早晚的事。
对做 AI 产品的人，这是个信号。你今天图省事抓来的数据，可能就是你明天的法律负债。
对写东西、做内容的人，这反而可能是件好事。它至少在确认一件我们一直想确认、却一直没人敢拍板的事，你创造的内容是有价值的，是受保护的，不是默认免费、谁来都能舀一瓢的公共水井。
我不知道这场官司最后会怎么判。CMI 那条到底能不能立住，合理使用这堵墙会被凿开多大一个口子，可能要好几年才有结果，中间还会反复。说实话我也没本事预测。
但我会一直盯着这条线。因为它判的不只是微软和 OpenAI 该赔多少钱，它判的是，在一个机器可以无限复制、学习、再生产人类一切创作的时代，我们到底还认不认那个最朴素的规矩，谁种的地，谁收的粮。
是谁来自山川湖海，却囿于昼夜厨房与爱。那些在地方小报里，一辈子只为一座城写字的人，他们记下的东西，不该在一次次抓取里，连个名字都不剩。
这事，我们这些靠键盘吃饭、也靠键盘表达的人，真该多看一眼。