为了开发大模型，数据版权方就该要做出牺牲？
撰文 | 郑思芳
编辑 | 龚 正
(资料图片仅供参考)
全社会都在关注各公司推出的大模型，但鲜少关注大模型背后的训练数据来自于哪，是否征得了数据版权方的授权，以及是否付费。
日前，北京笔神作文公司计划起诉其多年的合作伙伴学而思，指其近期推出的数学大模型MathGPT和在学而思学习机上线的AI助手，在未经其授权和许可情况下，爬取了海量数据，要求学而思公开道歉、删除数据资源，求偿1元。
笔者通过笔神作文联系上了与其保持有业务沟通的学而思相关负责人，发去求证信息，不过截至发稿，学而思方面未给予回复。
#01
一夜之间，数百万篇数据资源直接被爬
4月的一个周末，北京中关村笔神作文公司。
码农们都在家休息，办公室里空荡荡。然而直至周一，归来的程序员才发现，公司的海量数据，在周末这几天被一群“天外来客”爬了个遍，总爬取数超过两百万次。
事后，笔神作文的创始人及CEO宋嘉伟经过分析判断，并直接向他猜测的爬取方询问，才发现爬取者不是别人，正是与其保持有多年合作关系的学而思。
事件中的主角笔神作文，成立于2017年，是一个中小学生作文AI批改平台和投稿社区，隶属于北京一笔两划科技有限公司。
创始人宋嘉伟是一位技术达人，也是一位爱好写作的专业作家。经过过去6年的创业，笔神作文从以学生为主的用户那里，收集及沉淀了海量的作文资源。
官方宣传资料称，“笔神作文每月会收到超过30万篇作文投稿和超过40万次的点赞评论。6年来，笔神作文积累了超过数百万篇作文素材，月批改作文量超3万篇。”
宋嘉伟说，这里面融入了团队创业的心血，以来一点一点积累起来的成果。
他至今记得，为了获得作文素材的数据，笔神作文用人工审核的方式、一篇一篇筛选投稿来的作文，通过打标签、分级、数据清洗（指发现及纠正数据文件中的错误）等，最终得以积累到目前的作文素材体量。
宋嘉伟认为，正是这些优质的作文数据资源，成了“天外来客”眼中的目标。
▲ 图 | 学而思&笔神作文
笔神作文与学而思的合作要追溯到三年前。当时笔神作文与学而思旗下的一款学习工具APP——题拍拍签约合作，为其提供作文素材查询服务。
官方资料显示，题拍拍是一款免费答题APP，于2020年3月上线，涵盖全年级、全学科，为广大用户提供真人在线免费答题服务，专注于6-18岁中小学生课后学习场景。
根据双方的合作合同，双方协议笔神作文为题拍拍中的作文版块、只提供用户查询服务，且题拍拍不得将作文数据缓存本地以及机器学习训练。
合同中有这样几项条款，对笔神作文数据的使用用途，进行了较为明确的规定。
1、作为第三方技术服务商的深圳市三体云联网络科技有限公司（即“三体云联公司”，系学而思子公司），有义务保障北京一笔两划科技有限公司（即“一笔两划公司”）服务接口的安全性，应经一笔两划公司允许后、方可将合作接口内容用于双方约定好的平台或产品中。
2、合同原文称，三体云联公司不得随意泄漏、使用、传播或缓存乙方服务接口中的作文范文及其相关内容，否则造成的损失将由甲方全额赔付。
3、合同原文强调，三体云联公司不得在未经一笔两划公司允许的情况下用于任何其它用途，包括级存、存储、作为语料进行计算、训练等。
基于双方的合作精神，笔神作文介绍，自己的技术团队设计了完备的安全机制，正常情况下，可以防止黑客们进行爬虫攻击。而只有提供给合作伙伴学而思的接口是不设防的。
爬取事件被发掘后，宋嘉伟也曾一度怀疑是不是有黑客利用了这个接口盗取数据，所以专门与学而思经常对接的程序员求证。
然而令他出乎意料的是，对方直接承认，笔神作文数据后台被高频调用、确实来自学而思方算法组的调用操作。
通常来说，算法组的工作之一，就是训练人工智能大模型。果然，在数据调用异常不到两周后，大量关于学而思推出数学大模型的新闻开始密集出现。5月初，学而思宣布将推出MathGPT，以及其中即将上线的AI助手涉及的功能。
宋嘉伟团队于是高度怀疑，学而思的这项产品已将其多年积攒的数据化为己用，关键是未经过笔神作文的同意。
尤其AI助手被介绍为是“涵盖作文助手、口语助手、阅读助手、数学助手等功能”。宋嘉伟称，学而思自己并没有海量作文素材数据，否则此前双方的合作也不会开始。
苦心经营多年的数据在一个周末被擅自爬取，“团队的苦心经营为他人的大模型做了嫁衣。”宋嘉伟表示。
事件发生之后，宋嘉伟多次向学而思相关方询问事宜，包括发出律师函，却始终没有得到实质性答复。
目前一笔两划公司已经搜集证据，准备走司法程序来维权。其诉求有三：
要求公开致歉、删除非法获取的数据并中止应用、求偿1元。
对于笔神作文的诉求，笔者通过笔神作文联系到了学而思方面相关负责人，对方在通过微信验证、并看到相关提问后，直接拉黑了联络微信。未针对笔神作文的诉求给于回应。
#02
海外类似纠纷频发
笔神作文与学而思题拍拍之间发生的纠纷，揭开了大模型热潮下一个容易被忽视的角落。
大模型想变得智能，就需要对海量数据进行深度学习。然而海量数据来自哪，是否被版权方授权，是否有需要付费，目前这是一个模糊地带。
《真故研究室》搜集了国内过往诸多案例。围绕一般版权的诉讼案例比较多，鲜见围绕大模型数据版权而展开的诉讼。但在海外，类似数据版权纠纷已经显示出频发态势。
先说结论，从海外数据版权纠纷来看，侵权方与被侵权方之间未存在共识。这导致数据版权保护起来还有难度。
今年年初，被称为美国最大的商业图库提供商Getty Images，在英国起诉了Stability AI。这是英国首起涉及人工智能的重大知识产权纠纷。
Stability AI公司，即Stable Diffusion这个AI图像生成模型的创建者。
Getty Images认定Stability AI非法复制和处理了Getty Images拥有或代表的受版权保护的图像以及相关元数据，涉及数以百万计数据。而这些行为并未获得Getty Images任何授权许可，在给Stability AI的商业利益带来收益的同时，侵害了内容创作者的权益。
截至目前，Stability AI尚未就这个申诉作出公开评论，但其首席执行官Emad Mostaque在推特中表示，“我认为他们（指自己）都是通过合乎规范、道德和法律标准的方式获得并使用的”。
▲ 图 | AI正在迅速学习数据，拓展更多用途
这种情况不算个例。
今年4月，美国艾伦人工智能研究院（2014年成立，最初定位为AI技术自研平台）等发布了一份针对谷歌C4数据集的调查结果。
调查拆解了谷歌的C4数据集，它是很多知名英语AI大模型的训练材料，比如谷歌的T5（2019年10月发布）和Facebook的LLaMA（2023年2月发布）。
拆解的目的是为研究C4数据集里究竟包含哪些数据材料来源。研究认为，这关系许多英语AI大模型所使用数据的正当性，比如是否有侵权，以及是否存在“脏数据”（比如本身就是盗版的数据）。
调查结果显示，C4数据集中实际包含的大约1000万个网站数据发现，其中有很大一部分是来路不正的数据源，包括盗版电子书网站b-ok.org等。
而一些诸如创意产品众筹网站、个人博客也包含其中且排名靠前，意味着这类数据被使用的权重越高。问题的关键是，这些数据版权方可能未获得任何授权或报酬。
作为头部人工智能大模型的OpenAI，显然也知道行业存在的这些问题，但没有直接提出解决措施。
今年5月16日，OpenAI首席执行官山姆·奥特曼曾在一个听证会场合表示，他呼吁主管部门对生成式人工智能进行监管和干预。然而，对于作品被用于人工智能生成的歌曲、文章，或其他作品的内容创作者如何得到补偿等问题时，奥特曼并未给出明确的回答。
▲ 图 | OpenAI首席执行官山姆·奥特曼
从上述案例可以看到，数据版权方被侵权，在许多大模型中是一种已发生的事实。版权方与使用方在相关问题上存有分歧，并未有达成一致的解决措施。
#03
围绕数据侵权的治理已在路上
从海内外数据版权纠纷来看，这是否就意味着数据版权方的利益，就难以得到保护呢。
还是先说结论。目前，我国《著作权法》对数据版权的保护存在相关规定，可被侵权者使用。其次，包括中国国家互联网信息办公室在内的相关单位、以及行业组织，已经行动起来，准备出台措施、或发出倡议，呼吁保护数据版权方的利益，全社会的共识正在凝聚中。
在我国目前现行的《著作权法》框架下，GPT训练数据使用过程的不同行为均可能存在著作权侵权风险。
《著作权法》中规定了12种合理使用情形，包括为个人学习、研究或者欣赏；为介绍、评论某一作品或说明某一问题，在作品中适当引用他人已经发表的作品；为报道时事新闻，在各类媒体中不可避免地再现或者引用已经发表的作品；为学校课堂教学或者科学研究等。
而ChatGPT对训练数据的使用，明显并非为“个人学习”“教学或科研”“公共文化机构”所使用，本质上属商业性使用，因此涉嫌侵权方很难直接援引该条为自己侵权抗辩。
针对大模型带来的新情况，海内外也在出台一系列政策文件，进一步规范。
4月11日，中国国家互联网信息办公室起草了《生成式人工智能服务管理办法（征求意见稿）》，以期促进生成式人工智能技术的健康发展和规范应用。当中就有一条明确指出：用于生成式人工智能产品的预训练、优化训练数据，应满足不含有侵犯知识产权的内容。
▲ 图 | 大模型发展，版权保护也不能置之不理
国际社会也正在加快相关讨论。
4月30日，世界发达国家的技术部长在日本发布了共同声明，指出需要促进“负责任”地使用ChatGPT等人工智能工具。其中就包括治理、如何保障包括版权在内的知识产权、促进透明度、处理虚假信息，以及如何负责任地利用这些技术等议题。
目前，国内的相关行业已经开始有相关动作。
近日，中文在线（300364）、同方知网、中国工人出版社等26家单位共同发布了国内首份有关AIGC训练数据版权的倡议书。
作为业内首份AIGC数据版权倡议书，业内认为其最大的价值在于两点：一是唤醒了国内AI企业关于大模型训练数据的版权意识；二是为AIGC研发者规避版权争议提供了方向性指引。
有关方面指出，合理使用正版数据的倡议被提出，是对AIGC研发主体的警示和启发。
回到最开始的笔神作文与学而思纠纷，关注这个案件进展的意义在于，它关系着所有手上持有优质数据版权公司的切身利益。而大模型行业要健康发展，不能对存在的问题假装闭一只眼睛就能蒙混过关。
宋嘉伟回忆，原本笔神作文与题拍拍合作的过程还算愉快，哪怕中途遇到行业调整，似乎也没影响双方的合作。
双减打击之下，教培行业受政策调整，业务受到了影响。宋嘉伟说，在题拍拍效益不好、规模变小之时，笔神也将合同中约定的服务收费调整到原本的三分之一，意在携手度过教培寒冬。
然而寒冬还没挺过，令宋嘉伟意外的是，感觉自己遭到了合作伙伴的背刺。
参考资料：
1、《“你的AI侵犯了我的版权”：浅谈AIGC背后的版权保护问题》，腾讯研究院，2023年3月1日发布
2、《Getty Images就 AI训练中的版权侵权行为在英国起诉Stability AI》， 买麦仕奇知识产权，2023年3月6日发布
3、《媒体揭开大模型阴暗面：训练用的数据可能有点脏》，旭诺资产，2023年4月20日发布