Google 更新隐私政策：明确用抓取的公开网页数据训练 Bard 与 AI 模型

你在公开网页上写的博客、发过的文字，可能早已成了训练 AI 的养料。最近，Google 索性把这层窗户纸彻底捅破了。

科技媒体 Gizmodo 最先注意到，Google 在 7 月 1 日悄悄更新了其隐私政策。随后在 7 月 5 日，据 The Verge 报道，Google 正式确认，它不仅用公开抓取的网络数据来训练 Google 翻译，还会用来训练聊天机器人 Bard 以及 Cloud AI 等各类模型。

Google 发言人 Christa Muldoon 对此回应称，Google 一直很透明地说明使用公开网络信息训练语言模型，这次更新只是进一步明确，像 Bard 这样较新的服务也被包含在内。

从「语言模型」跨到「所有 AI」

仔细看改动细节，这绝不只是一次例行的文字修补。

在修订历史中，Google 把原本用于训练「语言模型」的表述，直接换成了「AI 模型」。一词之差，意味着 Google 以后拿公开网页数据训练的东西，将不再局限于大语言模型，而是扩展到了几乎所有 AI 产品。

更有意思的是，这条极为关键的改动并没有被大张旗鼓地标出，而是藏在隐私政策「您的本地信息」标签下的一个内嵌链接里。

政策里虽然写明了会使用公开数据，但对于大家最关心的版权问题，Google 却只字未提。比如，抓取过程中如何规避受版权保护的作品，它完全没有给出解释。

灰色地带与围墙花园

如今，把公开网络当作免费采石场的做法，正在遭遇空前的阻力。

很多网站早就在用户协议里明文禁止第三方抓取数据用于训练大模型。在欧洲，GDPR 等法规对未经许可使用个人数据有着极严的限制。即便是手握 GPT-4 的 OpenAI，在面对训练数据来源时，也同样讳莫如深。

合理使用原则到底能不能给这种大规模网页抓取兜底，在法律上依然是一大片灰色地带。全美最大的报业出版商 Gannett 已经起诉了 Google 及其母公司 Alphabet，指控其垄断数字广告市场，更有批评者直接将 Google 的 AI 搜索测试版称为「剽窃引擎」，认为它正在抽干原创网站的流量。

与此同时，坐拥海量公开内容的平台正在拼命砌墙。Twitter 和 Reddit 最近不惜惹恼核心用户社区，也要收紧 API 并限制数据抓取，防的就是像 Google 这样的巨头免费收割。

而在光鲜的数据背后，负责筛选和清洗这些海量网页数据的外包工人，往往还要长期忍受极度恶劣的工作条件。

为什么重要

对每一个在网上写过字、发过图的普通人来说，这代表着你的数字足迹彻底变成了巨头的免费资产。你很难真正选择退出，也没有任何版税可言，除非你彻底把内容锁进需要登录的私域里。

对整个行业而言，Google 这一步走得很激进，但也很现实。随着大模型参数激增，优质数据荒已经近在眼前，谁能吃进更多公开网页，谁就能在模型迭代中抢占先机。Google 倚仗自己二十多年的爬虫技术和基础设施，试图把全网抓取合法化、常态化。

但我们认为，这种做法隐患巨大。它不仅进一步激化了巨头与原创者、内容社区之间的版权矛盾，更在加速推倒那个原本开放的万维网。当 Reddit 和各大媒体纷纷筑起高墙、关闭接口，一个割裂且互相封锁的互联网生态，大概就是这场 AI 数据狂欢留下的最大代价。