文 | 字母 AI
2026 年 9 月 18 日，纽约南区联邦法院解封了一批文件，里面包含了 OpenAI 和微软的内部记录。
材料显示，OpenAI 和微软通过采集别人生产的内容，训练自己的模型。
但这并不是个例，我们在网上记录的点点滴滴，如今正逐渐变成 AI 的“饲料”。
AI 不会给你点赞、收藏或者转发，因为它压根不理解你创作的内容，只是把你留下的一切收进去，变成它自己的一部分。
于是写作、绘画、说话、歌唱、拍照，这些原本属于人的事，忽然变成了 AI 发展的核心。
但是你也不必太担心，有一个不知道是好是坏的消息，未来 AI 不会再把我们当成饲料了，因为它马上学会自己造饲料。
事件来龙去脉
2026 年 9 月 17 日，纽约南区联邦法院解封了一批文件。这批文件来自《纽约时报》起诉 OpenAI 和微软的版权案，内容是两家公司的内部记录。
在一份内部备忘录里，微软应用科学总监布伦特·赫克特（Brent Hecht）把用全网内容训练大模型称为“一场规模前所未有的惊人盗窃”，并说这很可能是“人类历史上最大的一次劳动盗窃”。这句话出自被告公司的员工，不是原告的指控。
这起官司已经打了将近三年。
原告是《纽约时报》，被告是 OpenAI 和微软。此前庭审的走向总体上支持“用版权内容训练模型属于合理使用”。这批解封材料的不同之处，在于它提供的是被告自己的内部记录，而不是法律论证。
微软的内部测算显示，Copilot 上线后，《纽约时报》域名的点击率相比传统 Bing 搜索最多下降 93%。
在内部演示文稿中，赫克特把这种下滑称为“死亡循环”，认为它“会同时伤害我们模型的表现，也会伤害整个互联网”。
他还写道，一个终端产品威胁到自己关键供应商的经济根基，这种情况极不寻常，但这是模型业务和它的“内容供应链”造成的局面。文稿中的“供应商”，指的就是生产内容的新闻媒体。
ChatGPT 负责人尼克·特利（Nick Turley）在内部沟通中说，ChatGPT 这类产品对出版机构构成“生存威胁”，而且“在很大程度上是替代性的”，“随着它们变得更强，会越来越具有替代性”。
OpenAI 总裁布罗克曼说，这些模型“非常擅长新闻”。纳德拉在今年作证时承认，和聊天机器人对话“已经替代了直接去网站获取信息”。
然而法律要求不能“替代或损害原作品的市场”。
文件同时还给出了训练数据的规模。仅 OpenAI 的训练数据集中，就包含《纽约时报》《每日新闻》和调查报道中心的作品 91692 份拷贝。
在一个从 Common Crawl 派生的数据集中，仅 nytimes.com 一个域名就抓取了两百多万份文档。不过其他媒体表示，从《纽约时报》抓取 390 万份，从《芝加哥论坛》报及其相关报刊抓取 730 万份。
此外还有一个名为 Project Mango 的项目，其数据集包含至少 160903 部新闻出版方的独立作品。OpenAI 把整个 GPT-3 训练数据集交给了微软，微软则通过 Project Taxi 和 Project Mango 把数据回输给 OpenAI。
文件中还记录了具体操作方式。
OpenAI 研究员尼克·赖德（Nick Ryder）告诉布罗克曼，自己有一个“绕过纽约时报付费墙的黑客方法”，布罗克曼回复“不错”。
两人搭建的数据集 WebText、WebText2，有相当大一部分是从网上直接抓来的新闻报道。还从 Common Crawl 拉取了数百万篇文章。
此外，在数据进入模型前，他们会刻意删除版权声明，因为研究人员“不想让模型向用户输出‘版权声明’”。
原告代理律师史蒂文·利伯曼（Steven Lieberman）说，证据表明，OpenAI 和微软知道自己在做的事是错的。
微软对这批文件回应称，相关言论只是反映了一名员工的个人观点，不是法律分析，更不代表公司立场。赫克特并非决策者，公司雇他是为了“呈现不同的、非对称的视角”。
还有谁在喂 AI？
实际上 OpenAI 已经是“二进宫”了。
2023 年 9 月，美国作家协会连同 17 位作家，如约翰·格里森姆（John Grisham）、乔治·R·R·马丁（George R. R. Martin）、朱迪·皮考特（Jodi Picoult）、大卫·鲍尔达奇（David Baldacci）、乔纳森·弗兰岑（Jonathan Franzen）、斯科特·图罗（Scott Turow）等人。
在纽约南区对 OpenAI 提起集体诉讼。此后，多起作家诉讼（特伦布莱（Tremblay）、西尔弗曼（Silverman）、夏邦（Chabon）等）陆续并入，原告规模还在扩大。
《纽约时报》诉状里的证物J，标题叫《GPT-4 记忆〈纽约时报〉内容的一百个例子》，整整 127 页。喂给它一篇文章的开头，它能几乎逐字补完剩下的部分，连署名和引语都在。
2026 年，arXiv 上发布了一篇名为《对齐打地鼠》的论文。
研究者把模型微调成“按情节写全文”——只给情节摘要，不给原文。结果 GPT-4o、Gemini 2.5 Pro 能复现出 85% 到 90% 的版权书籍原文，单段逐字复现超过 460 个词。研究者给这种现象起了个名字，叫“对齐打地鼠”：你堵住一个漏洞，它在别处又冒出来。
这不是偶然。尼古拉斯·卡尔利尼（Nicholas Carlini）早在 2023 年就说过：模型越大、你那段数据被重复喂的次数越多、上下文给得越足，它记得就越死。
实际上扒取网上的公开资料，把人们的记录变成 AI 饲料的，远不止于 OpenAI 和微软。
2026 年 9 月 4 日，一起集体诉讼递到了伊利诺伊北区联邦法院。原告是两个家庭，连同他们的孩子。诉状指控 Meta 未经同意，抓取 Facebook 和 Instagram 用户的照片和生物特征数据，用来训练三样东西：人脸识别系统 NameTag 背后的模型、给 NameTag 做比对用的“人脸指纹”，以及生成式图像模型 Emu 和 Muse Image。
NameTag 是给 Ray-Ban 和 Oakley 智能眼镜准备的。早在 2026 年 6 月初，就有人发现在 Meta 的配套 App 里存在 NageTag 相关的代码，只不过当时并不知道这个功能是干什么用的。
Meta 的回应是：“这起诉讼没有依据，曲解了我们的工作……NameTag 没有向消费者发布，也没有最终决定要做什么。”它还强调，自己“不是在建立一个通用的人脸数据库”。
话虽如此，但 Meta 已经是第三次因为人脸识别被告上法庭了。
2021 年，它因为“自动标记好友”违反伊利诺伊《生物识别信息隐私法》，赔了 6.5 亿美元，约 142 万伊利诺伊用户分钱，有人拿到了 400 多美元。2023 年，Instagram 的人脸识别又让它赔了 6850 万美元，约 400 万伊利诺伊居民符合资格。Snap 也因类似问题在 2016 年赔了 3500 万美元。
这部法律的罚则是每人每项 1000 到 5000 美元。
从金额来看，以 Meta 的用户规模，Meta 可能要赔付超过 10 亿美元。不过 Meta 仍然选择付钱，毕竟相对于赔偿而言，法庭并没有阻止 Meta 继续开发模型，因此赔偿仍在可接受的范围内。
Meta 的采集对象，也不只是用户。
2026 年 4 月 21 日，Meta 在美国员工的工作电脑上安装一款追踪软件，实时记录鼠标移动、点击位置和键盘输入，并定期截屏，用来训练它的 AI 模型。
这款工具叫“模型能力计划”（Model Capability Initiative）。Meta 首席技术官安德鲁·博斯沃思（Andrew Bosworth）在内部备忘录中说，长期目标是把 AI 智能体培养成“承担工作”的角色，人类员工则转为“指挥、审查和协助改进”。
这个项目后来改名为“Agent 转型加速器”。Meta 的发言人称，这些数据只用于训练模型，不用于绩效考核，并设有保护敏感内容的措施。
但据媒体报道，采集范围覆盖员工日常使用的各类应用和网站，包括谷歌、GitHub、Slack，甚至个人 Gmail；美国员工无法退出，只有受欧盟《通用数据保护条例》约束的欧洲员工被排除在外。
同一周，Meta 裁掉约 8000 名员工，不少员工因此担心，自己正在亲手训练将来取代自己的 AI。到 2026 年 6 月，Meta 暂停了这项计划，原因是追踪工具抓取到了敏感信息，且这些信息一度被全公司访问。
Meta 的手，也不只伸向自家平台。
Meta 专门有个用来扒视频内容的爬虫，名为 MSAE。Meta AI 自己承认，训练数据里有 370 万条 YouTube 视频转录文本的第三方数据集。
2026 年 1 月，包括 h3h3 Productions、Mr. ShortGame Golf、Golfholics 在内的几位 YouTube 博主，合计 620 万订阅，在加州中区联邦法院起诉 Snap，指控它用后端自动化工具，把数百万条 YouTube 视频的视听文件成批下载下来，塞进 HD-VILA-100M 和 Panda-70M 数据集，用来训练“Imagine Lens”这类的图像编辑能力。
诉状没有走传统版权路线，而是主攻《数字千年版权法》第 1201 条的反规避：YouTube 的设计是让人在线观看，不是让人拿到原始文件，Snap 涉嫌在规模化层面，违反了该法律法规。
原告之一伊桑·克莱因（Ethan Klein）还顺手把英伟达、Meta、字节跳动、亚马逊、OpenAI、苹果一并告了。他的说法是，这些公司“一天能抓走 80 年的内容”。
搜索是谷歌的核心业务，因此谷歌也在名单上。
2026 年 7 月，阿歇特出版集团、Cengage、爱思唯尔，连同畅销书作家斯科特·图罗，在纽约把谷歌告了，指控它用数百万本版权书籍训练 Gemini。诉状称，谷歌从“已知的盗版来源”抓内容，甚至绕过学术网站的付费墙，去拿爱思唯尔旗下《柳叶刀》、《细胞》的文章。
诉状称：Gemini 可以在 20 分钟内，用 0.39 美元，生成一部 10 万字的悬疑小说。谷歌内部文件也警告过，这么做可能“给谷歌带来 100 亿到 1000 亿美元的潜在罚款”。
语音和音乐，也没能幸免。
苹果的 Siri，把“意外唤醒”时的录音交给外包合同工去听。据外媒报道，里面充斥着医生和病人的对话、商业谈判、疑似犯罪交易。有评估员一天要听多达 1000 条。苹果最终以 9500 万美元和解。
2024 年 6 月，RIAA 代表环球、索尼、华纳，把 AI 音乐公司 Suno 和 Udio 告了，指控它们用受版权保护的录音。
最后一批饲料
不过我们也不需要担心什么，因为我们即将成为 AI 的最后一批饲料。如今，AI 公司，已经开始自己喂自己了。
2026 年 6 月，Anthropic 发了一篇博客，标题叫《当 AI 建造自己》。里面提到，截至 2026 年 5 月，合并进 Anthropic 生产代码库的代码，超过 80% 是 Claude 写的，不是人写的。在那之前，这个比例还只是个位数。
也就是说，15 个月里，这家公司把绝大部分编程工作交了出去。有工程师已经五个月没写过一行代码；他们每天合并的代码量，是几年前的 8 倍。
2026 年 9 月 17 日，Anthropic 又发布了一份报告，标题是《衡量 AI 发展的速度》，这篇文章主要讲的是“研发工作有多少由 AI 主导”。它采用 Epoch AI 提出的自动化等级，从完全没有 AI 参与的 AL0，到 AI 完全自主的 AL5 来划分。
其中 AL4 指 AI 能从一句大致的目标出发，端到端完成大部分工作，人类只负责监督和最后决策。
文章提到，2026 年 2 月，Anthropic 达到 AL4 这一级别的研发工作还不到1%。5 月是 12%，7 月是 22%，8 月已经升到 26%。
如果把标准放宽到“AI 在人的密切指导下完成大块工作”的 AL3，则有超过 90% 的研发工作达标。报告还提到 Anthropic 内部最主要的 Agent 平台上，任意时刻约有 3 万个 AI Agent 在从事研究和工程工作，仅在 2026 年 8 月就产生了超过 10 亿次决策。
OpenAI 那边，走的是另一条路。
2026 年 7 月，OpenAI 披露，发布 GPT-5.6 时，它用最强的 Sol 模型，去自主“后训练”了一个更小的模型 Luna。研究员只给了一句“相当不充分的提示”，Sol 就自己找训练配置、挑 GPU、启动训练脚本、验证运行，还顺带生成了合成训练数据。
这项工作，过去要两个资深研究员做两周。在 OpenAI 内部的“递归自我改进指数”上，Sol 比上一代 GPT-5.5 高出 16.2 分。
Anthropic 把这件事叫递归自我改进。它的本质，是训练数据的来源，正在从“人类生产的内容”，切换成“AI 自己生成的内容”。
而你，就是这次切换完成之前的，最后一茬人类饲料。
问题是，AI 自己生成的数据，撑得起下一波模型吗？
2024 年，舒马伊洛夫（Shumailov）等人在《自然》上发了一篇论文，标题为《AI 模型在递归生成数据上训练时会崩溃》。
他们发现，如果反复用合成数据训练模型，模型会“坍缩”，输出的多样性不断收窄，尾部信息被系统性抹掉，最后变成一种“语法正确、但语义空洞”的状态。
论文的结论是，你不能用合成数据完全替代人类数据，必须两者叠加。只要原始的人类信号还在，模型就还健康。
所以现在行业的配方，大概是 10% 到 30% 的真实人类数据打底，剩下的靠模型自己喂自己。
那 10% 到 30%，就是我们还剩的用处。但很可惜，连这个用处也在倒计时。
一旦合成数据的质量足够稳定，一旦这个闭环转得够顺，人类数据就再也没有采集的必要。
