Anthropic 遭作家集体诉讼：被控用盗版书数据集训练 Claude

一直打着「安全、负责任」招牌的 Anthropic，终究还是没能躲过版权官司的洗礼。

周一，多位作家在加州法院对 Anthropic 发起了一项拟议的集体诉讼。诉状里的指控毫不客气，称这家估值数百亿美元的 AI 独角兽「靠盗窃数十万本受版权保护的图书，建立起了一个价值数十亿美元的商业帝国」。

又是开源数据集 Books3

这次把 Anthropic 拖下水的，依然是那个在 AI 版权圈里屡被点名的老面孔：Books3。

起诉的原告包括《We Were Never Here》的作者 Andrea Bartz、《The Good Nurse》的作者 Charles Graeber，以及《The Feather Thief》的作者 Kirk Wallace Johnson。

诉状指出，Anthropic 在训练自家的 Claude 系列大模型时，使用了一个名为「The Pile」的庞大开源数据集。而在 The Pile 内部，就包含了臭名昭著的 Books3。

Books3 简直像个数字盗版黑市，里面汇集了从 Bibliotik 等盗版电子书网站扒下来的大量书籍，连 Stephen King、Michael Pollan 这样名作家的作品也未能幸免。

原告在诉状中直言，Anthropic 明明知道这些数据来自盗版网站，却依然照单全收，将其下载并复制用于模型训练。这批作家要求法院批准集体诉讼、判令赔偿，并禁止 Anthropic 未来继续使用受版权保护的内容。

更尴尬的是，就在本月早些时候，Anthropic 自己还在接受 Vox 采访时亲口证实过，他们确实使用了 The Pile 来训练 Claude。

排队起诉已经成了行业常态

虽然 Books3 后来迫于压力，已经从 The Pile 的官方发布版本中撤下，但诉状表示网络其他角落依然能找到它的身影。

而且，这早就不是 AI 公司第一次在数据来源上翻车了。近期的另一项调查也发现，Anthropic 和苹果等科技巨头，还曾利用 The Pile 里扒下来的数万条 YouTube 视频字幕来训练模型。

在 Anthropic 之前，几乎所有一线大模型玩家都领到了传票。去年，前阿肯色州州长 Mike Huckabee 联手其他作家，把 Meta、微软以及开源 The Pile 的非营利机构 EleutherAI 告上了法庭。至于 OpenAI，早早就在应付包括《权力的游戏》作者 George R.R. Martin 在内的一长串作家名单。

面对这次起诉，Anthropic 并没有立即回应媒体的置评请求。

为什么重要

这起诉讼对 Anthropic 来说尤其被动，甚至可能比 OpenAI 面对的诉讼更棘手。

我们认为，Anthropic 的隐患在于他们本月刚刚公开向媒体承认过使用 The Pile 进行训练。在很多版权诉讼里，科技公司通常会用「训练数据是商业机密」来打太极，但 Anthropic 这次等于把半只脚自己踩进了泥潭，直接坐实了数据接触史。

对行业而言，这场官司再次戳破了开源数据集的洗白幻觉。早年间很多大模型团队为了省事，直接拿开源社区现成清洗好的数据集来跑训练，觉得反正不是自己去盗版网站爬的就能免责。现在看来，这种击鼓传花的游戏根本经不起法律推敲。

如果法院最终判定在未经授权的数据集上训练属于直接侵权，甚至要求清除这些数据训练出来的模型权重，对整个大模型领域的冲击将是灾难性的。Anthropic 接下来很可能会被逼着像 OpenAI 那样，拿出真金白银去跟出版商和版权方挨个签授权协议，这会让后来者的训练成本呈指数级上升。