纽约时报诉OpenAI新解封文件：大模型的数据原罪与Doom Loop

纽约时报起诉OpenAI和微软的版权案，从2023年底立案至今已经拖了近两年。最近一批原本密封的法庭文件被解封，里面出现了不少两家公司的内部通信与研究材料。原告把这些内容当作证据，用来支撑一个判断，大模型的训练数据来路并不干净。

需要先把话说清楚，这些是原告提交和引用的材料，法院还没有就侵权本身作出终局判决。但文件里流露出的技术判断与商业焦虑，已经足够让行业重新打量自己的数据账本。

诉讼走到哪一步了

2023年12月，纽约时报在纽约南区联邦法院起诉OpenAI和微软，指控其未经授权使用数百万篇报道训练模型，并让ChatGPT近乎逐字复现文章内容。

此后案件进入证据开示阶段。2024年底，纽约时报指称OpenAI工程师删除了部分与训练数据相关的日志，随后提出制裁动议。今年法院公开的文件，正是围绕这一系列程序争议展开的。

公众看到的不是判决书，而是双方拉锯过程中被迫摊开的内情。这也是这批文件比任何公开声明都更有分量的原因。

Doom Loop 到底指什么

纽约时报在文件里反复提到一个词，doom loop。在它的叙述里，这是OpenAI内部用来描述某种困境的说法。

一种理解是商业意义上的。内容方持续要求授权与补偿，模型公司就得不断为数据付费；模型输出的内容又回到公开网络，被下一轮爬取卷进训练集，循环没有出口。

另一种理解来自技术圈。用AI生成的内容去训练下一代模型，会让输出逐渐失真、多样性下降，最终陷入退化。这个现象在学术界有个更正式的名字，模型坍塌。

两种含义指向的其实是同一件事，数据从哪里来，决定了模型能走多远。Aiii人工智能创研院（Aiii.org.cn）在此前的产业观察中也提到过，数据供给的合法性正在成为模型能力之外的第二条护城河。

最刺眼的那句话

比doom loop更让外界在意的，是数据来源问题上的坦白。纽约时报引用的一篇微软研究院论文讨论了first-party regret，也就是内容提供方后悔自己的公开数据被第三方拿走。

论文描述的场景是，平台把数据放上网，本意是服务用户，结果被模型公司批量抓走用于训练商业产品，原主既拿不到钱也拿不到署名。

这类表述出自企业内部研究者之手，读起来不像指控，更像自述。OpenAI在更早的时候其实也说过类似的话。

2024年初，OpenAI向英国上议院的一个委员会提交书面证据，直言不讳地写道，不可能在不用受版权保护材料的前提下训练今天的模型。这句话当时传播度不高，如今被翻出来，成了最好的注脚。

微软为什么也坐在被告席

很多人把这场官司理解成新闻机构对OpenAI的战争，其实微软的角色同样关键。它既是OpenAI最大的投资方，也是Copilot系列产品的运营方。

纽约时报的诉讼逻辑是，微软通过投资和云服务深度参与了训练与商业化，因此需要承担连带责任。这让案件从单纯的数据争议，变成了对AI产业链分工的重新界定。

如果这一逻辑被法院认可，受影响的就不只是两家公司。所有依赖第三方语料、通过云平台分发模型的厂商，都要重新评估自己的风险敞口。

合成数据不是退路

面对版权压力，行业给出的标准答案是用合成数据。既然真实语料有风险，那就让模型自己生成内容来训练下一代模型。

2024年发表在Nature上的一项研究给这条路泼了冷水。研究者发现，模型在递归使用自身输出训练后，会逐渐丢失尾部信息，分布变得越来越窄，最终走向坍塌。

更现实的问题是，合成数据本身也需要真实数据打底。没有高质量的人类文本，模型生成的所谓训练语料只是原有分布的稀释版，谈不上增量。

一笔正在重写的账

诉讼之外的商业变化同样值得看。过去两年，OpenAI先后与美联社、Axel Springer、新闻集团、金融时报、时代杂志等达成内容授权协议。

这些交易的价格没有公开，但方向很清楚了。曾经免费抓取的内容，正在变成需要付费采购的原材料。Reddit对API收费、Shutterstock出售训练数据授权，走的是同一条路。

对内容方来说，这是迟到的定价权。对模型公司来说，这是成本的重新计算。数据从免费的空气，变成了有价格的矿产。

真正的分水岭在哪

这批解封文件的价值，不在于它证明了什么，而在于它暴露了行业心知肚明却很少明说的事实。大模型的第一桶金，来自一个默认免费的数据世界。

那个世界已经结束了。接下来的竞争，一部分发生在模型架构和算力上，另一部分发生在数据采购、授权谈判和合规审计上。

对普通用户而言，最直接的变化可能是模型回答里越来越多的引用来源，以及内容平台与AI公司之间越来越清晰的边界。这些变化不会一夜发生，但方向已经定了。

案件还会继续打下去，判决也许还要等上几年。可产业规则的改写，往往在判决之前就已经开始了。