原文来源：腾讯科技
图片来源：由无界 AI 生成
2023年6月28日，第一起具有代表性的ChatGPT版权侵权之诉，终于出现在了公众视野。两名作家在美国加州北区法院，对Open AI公司发起了版权集体诉讼，指控后者未经授权利用自身享有版权的图书训练ChatGPT，谋取商业利益。
原告Paul Tremblay和Mona Awad居住于马萨诸塞州，分别享有涉案作品《The Cabin at the End of the World》和《13 Ways of Looking at a Fat Girl and Bunny》的版权；被告Open AI创建和运营了生成式人工智能产品ChatGPT，目前主要由GPT-3.5和GPT-4两个底层大语言模型驱动。
起诉状指出，虽然原告没有授权Open AI使用自身享有版权的图书进行模型训练，但ChatGPT却能够根据prompts指令输出图书的摘要，而这只有在被告将涉案图书纳入语料库加以训练才可能发生。
01 因为输出图书摘要而被“抓包”
原告表示，Open AI训练数据集中收录的大量内容属于版权保护的作品，这其中便包括原告享有版权的图书。但Open AI既没有经过原告的同意，也没有标明内容来源、支付必要的费用。而原告出版的图书具有明确的版权管理信息，包括出版号、版权号、版权人姓名以及使用条款等。
原告从既有的事实和信息可以推断，ChatGPT之所以可以准确生成特定图书的摘要，唯一可解释的原因便是Open AI获取、复制了涉案图书，并用于旗下大语言模型（GPT3.5 或GPT4）的训练。
原告测试发现，当通过prompts的方式要求ChatGPT总结两部涉案图书时，ChatGPT可以生成较为准确的摘要（虽然也存在少量的错误内容）。这表明ChatGPT保存了被训练数据集中特定作品的内容，并能够输出对应的文本。与此同时，ChatGPT通过对大语言模型内容生成原理的设计，输出内容并不会包含原有的版权管理信息。
02 “ChatGPT，你是如何运行的！”
本案有意思之处在于，原告证明Open AI侵权的过程中，对于ChatGPT基本原理的介绍，是建立在同ChatGPT对话，让其“进行自我介绍”的基础之上。具体内容总结如下。
Open AI至今已经公开了一系列的大语言模型，包括GPT-1（2018·6）、GPT-2（2019·2）、GPT-3（2020·5）、GPT-3.5（2022·3）以及最新的GPT-4（2023·3）。通常来讲，人工智能软件旨在借助统计学方法，通过算法模拟人类的逻辑和推理。大语言模型则是一类专门的人工智能软件，用来解析和输出自然语言。
一方面，Open AI以每个月20美元的价格将ChatGPT通过网络页面的方式提供给用户。使用者可以选择两个版本的ChatGPT，GPT-3.5模型或者更新后的GPT-4模型。另一方面，ChatGPT也以API的方式提供给软件开发者。API接口允许开发者撰写程序用于和ChatGPT进行数据交换，在此情况下则是按照使用量来计费。
不管是以页面还是API方式提供服务，ChatGPT都会积极响应用户的prompts请求。如果用户向ChatGPT提问，它会给出答案；如果用户向ChatGPT下指令，ChatGPT会执行；如果用户要求ChatGPT总结一本图书的摘要，ChatGPT依然会照做。
03 图书是大模型训练的核心语料
原告着重论证的观点是，不同于传统软件是由工程师撰写代码而成，大语言模型则是通过“训练”的方式研发——收集不同来源的海量内容语料并“投喂”给模型，这些语料被称为训练数据集（training dataset）。
大语言模型会不断调整自身的输出，尽可能的接近被训练作品中的文字组合顺序。值得关注的是，虽然很多内容都被用来训练大语言模型，但图书一直是训练数据集中核心的语料素材，因为其提供了高质量长篇写作的最佳范例。
在2018年6月发表的企业论文《通过生成式预训练提升语言理解力》中，Open AI披露GPT-1的训练依赖于“BookCorpus”的数据集。“BookCorpus”包含7000本涉及探险、奇幻、浪漫等不同领域的图书。Open AI指出，之所以图书作为训练语料尤为重要，是因为其包含了长篇幅的连续文本，这可以让生成式模型学习如何处理长文本信息的能力。
包括Open AI、谷歌、亚马逊等在内的众多人工智能研发企业，都利用“BookCorpus”进行模型训练。2015年，一个人工智能研究团队创建了该数据集，其包含的图书来源于Smashwords.com网站，但“BookCorpus”在收录这些图书时未获得版权人授权。
04 揭秘GPT背后的图书语料库
通过公开检索Open AI主动披露信息（企业论文）的方式，原告希望论证GPT系列模型的训练建立在，未经授权侵权利用海量图书内容的基础之上。在2020年7月发表的企业论文《语言模型是小样本学习者》中，Open AI披露GPT-3训练数据集中15%的内容，来源于两个名为“Books1”“Books2”的电子图书语料库。
虽然Open AI没有说明“Books1”和“Books2”内容的具体情况，但可以通过相关线索推断：第一，两个语料库均来自于网络；第二，两个语料库的规模均明显大于“BookCorpus”。根据Open AI的披露，“Books1”的规模是BookCorpus的9倍（约6.3万本书），Books2是42倍（约29.4万本书）。现实中，只有极少数的数据库能够提供如此规模的图书语料。一方面，“Books1”大概率来源于“古登堡项目”或“古登堡语料库标准化项目”。“古登堡项目”（Project Gutenberg）是一个汇集“超过版权保护期限”的在线电子书库。2020年9月，古登堡项目宣布已经收录超过6万本书。因为不受版权保护，古登堡项目一直被广泛用作人工智能模型训练。2018年，一个人工智能研究团队在“古登堡项目”的基础上，创建了超过5万本图书的“古登堡语料库标准化项目”（Standardized Project Gutenberg Corpus）。另一方面，“Books2”极大可能来源于网络上的“影子图书馆”。“Books2”数据集大约含有2.94万本书，只有饱受诟病的“影子图书馆”（shadow library），能够提供如此规模的图书语料。例如Library Genesis、Z-Library、Sci-Hub和Bibliotik等。“影子图书馆”一词由美国社会科学研究理事会，在2011年发表的《新兴经济体中的媒体盗版问题》文章中创造，指代侵权收录大量书籍并向公众免费开放的网站。2023年3月，Open AI发布GPT-4企业论文，但表示“出于行业竞争形势和产品应用安全角度考量，不再对训练数据集的结构和内容进行相关披露。”
05 Open AI面临的六项侵权指控
原告针对Open AI一共发起了六项指控，前三项涉及版权侵权，第四项涉及不正当竞争，第五和第六项涉及两类基本民事责任——注意义务和不当得利。
第一、版权直接侵权。原告没有授权Open AI对其图书进行复制、制作演绎作品，也没有授权Open AI公开展示、分发上述复制品或演绎作品。
此外，原告强调，因为Open AI大语言模型需要从原告图书中提取和保存表达性信息才能够运行，所以在缺乏原告授权的情况下，大语言模型本身构成侵权演绎作品。
第二、版权替代侵权。原告强调，在缺乏授权的情况下，大模型每次输出的内容都构成侵权演绎作品。因为有权利和能力控制大语言模型的内容输出，并从中获得了经济利益，所以Open AI构成版权替代侵权。
在美国判例法体系下，“替代侵权”和“帮助侵权”“教唆侵权”共同构成了版权间接侵权的完整体系。间接侵权与直接侵权相对，意指侵权人虽然没有直接从事版权专有权利规制的行为（即版权直接侵权），但却为版权直接侵权提供了一定的助成条件。
第三、违反DMCA中版权管理信息的规定。从产品设计机制来看，ChatGPT输出的内容不会保留作品的“版权管理信息”（CMI），所以被告故意移除原告作品版权管理信息的行为，违反《数字千年版权法》（DMCA）的规定。此外，在未获授权的情况下，被告分发了不含有版权管理信息的侵权演绎作品，也违反了DMCA。
“版权管理信息”是一种能够识别有关作品权利人、权利归属和使用条件的相关信息。不管是在美国是我国，删除或改变版权管理信息，或向公众提供被删除或改变版权管理信息的作品，都构成违法。
第四、不正当竞争。Open AI未经授权使用原告受版权保护的作品进行模型训练，这一行为违反了《加利福尼亚州商业和职业条例》，因为其具有不正当性、不道德性、强迫性并损害了消费者利益。
被告有意设计了ChatGPT，可以在不标明内容出处的情况下，输出原告作品的片段和摘要。ChatGPT通过隐瞒作者、复制被侵权作品内容和观点的方式，研发商业产品获取不公平的利益和名声。
第五、过失侵权即违反注意义务。Open AI需要承担《加州民法典》规定的注意义务——所有人对于他人应当采取一种合理的行为方式。这一义务建立在行业惯例、商业实践、被告掌握的信息以及基于信息所拥有的控制能力基础之上。
被告一旦为了训练GPT模型而收集原告享有版权的作品，那么便需要负有一定的注意义务：当预见到未经授权将作品进行模型训练会对原告造成损害时，便不应再侵权利用这些作品。
第六、不当得利。原告为创作涉案图书付出了实质性的时间和精力。因为自身作品被未经授权的用来训练GPT模型，原告被剥夺了从作品中原本可以获利的权利。通过使用原告作品训练GPT模型获得商业利益，占据这些利益对于被告而言是不公平的。除非加以禁止或限制，被告的行为将会给原告造成难以弥补的损害。
写在最后：本案待探讨的三个问题。
作为ChatGPT版权侵权的首例代表性诉讼，加州北区法院做出正式判决仍将经历一个漫长的过程。但在此之前，针对原告起诉状中的具体内容，仍然有一些问题值得关注和思考。
关注一：发现模型侵权不容易。
大语言模型的训练本质上是一种机器内部的、非外显性作品利用行为，版权人存在发现自身作品被侵权的现实难题。一般来说，只能通过比对模型生成内容和自身作品存在实质性相似，倒推出模型训练阶段存在未经授权的作品利用行为。本案中，原告之所以能够指控自身图书被Open AI旗下的大语言模型侵权训练，便是从发现ChatGPT输出了自身作品的摘要，倒推而来。
但这一主张是否成立仍有待探讨。若ChatGPT输出的作品摘要，仅是建立自身在收集网络上原告图书公开介绍资料的基础上，而非直接对原告图书进行复制和训练，那么该侵权指控的正当性便会受到动摇。原告也承认ChatGPT输出的自身图书摘要存在少部分事实错误，一定程度也表明大模型可能并未完整的学习涉案图书。
关注二：侵犯何种权利待论证。
目前来看，虽然“作品数据的储存行为”形式上可以落入版权法“复制权”的规制范畴，但核心的“作品数据的训练行为”，是否侵权以及侵犯何种版权法上的权利尚未有一致结论。本案，原告强调大语言模型的正常运行和内容输出，建立在对作品语料的训练基础之上，所以大模型训练便构成版权侵权，大模型本身也构成侵权演绎作品。
这一主张亦仍有待探讨。除了少数类似于本案“以prompts方式要求概括、总结、翻译特定版权作品”这类特殊内容生成需求之外，绝大多数情况下大模型接收开放式内容生成指令（不限定特定作品、特定作家风格），基本不会输出特定作品甚至说特定作品的片段，也就不构成版权法上的侵权。
关注三：上下游责任需明确。
在大模型版权领域，模型研发者对于大模型本身享有相关权利，所以承担模型训练涉及的版权责任；而对于大模型输出的内容，从目前行业实践来看，通行做法是通过合同方式，明确权利和责任均属于使用者。在2023年7月10日，网信办发布的《生成式人工智能服务管理暂行办法》也明确认可，“提供者应当与使用者签订服务协议，明确双方权利义务。”
值得关注，从原告诉讼请求看，亦遵循了模型训练和内容输出两个阶段，权利责任二分的思路。原告对于版权直接侵权的主张，聚焦于Open AI模型训练阶段：一是，未经原告授权在模型训练过程中制作了图书的复制品；二是在缺乏原告授权的情况下，大语言模型本身构成侵权演绎作品。原告对于ChatGPT输出内容侵权的指控，仅是主张Open AI构成版权间接侵权（替代侵权）。这也意味着对于大模型输出的内容，是由使用者承担版权直接侵权责任，因为其享有对应的权利。
