五大出版商起诉 Meta：指控用盗版网站数据训练 Llama 侵权

给 AI 发两句大学微积分教材里的开头，它就能一字不差地把整节内容接着背出来。

这可不是什么超强理解力，在出版巨头眼里，这就是赤裸裸的剽窃。近日，Macmillan、McGraw Hill、Elsevier、Hachette、Cengage 五大知名出版商联手作家 Scott Turow，正式对 Meta 发起集体诉讼，称其制造了「人类历史上最大规模的版权侵权之一」。

盗版网站成了训练大模型的免费书库

出版巨头们在诉状里把话挑得很明：Meta 并不是偶然抓取到了版权内容，而是明知故犯。

诉状指控，Meta 直接从 LibGen、Anna’s Archive、Sci-Hub、Sci-Mag 等臭名昭著的盗版资源站批量下载受版权保护的学术期刊和图书，一口气喂给了旗下的 Llama 基础模型。

除了这些盗版网站，诉状称 Meta 用来训练的 Common Crawl 数据集里，也到处都是未经授权的图书副本。

这导致的直接结果就是，Llama 能够近乎完整地吐出原文。诉状里特意举了个例子：只要给 Llama 输入知名微积分教材《微积分：早期超越》第九版里的两小句话，模型就会立刻开始一字不差地逐字复诵后文。

藏不住的训练清单与十五亿美元的前车之鉴

这已经不是 Meta 第一次因为数据来源被作者按在被告席上了。

在此前几位作家提起的诉讼中，Meta 内部的邮件沟通就被迫公之于众。内部记录显示，他们当时甚至专门讨论过，一旦媒体曝光他们使用「明知是盗版的数据集」时该如何公关。

虽然去年一位联邦法官在某起诉讼中支持了 Meta，但那位法官当时就特意补了一句：这绝不代表 Meta 使用受版权保护的材料训练大模型是合法的。

更让 Meta 头疼的是不久前的行业先例。此前作家群体也因类似理由起诉了 Anthropic，法官裁定，用合法买来的书籍训练可以算合理使用，但盗版搞来的上百万本书不行。最后 Anthropic 在去年不得不掏出 15 亿美元巨款达成和解。

这次出版商的诉求除了经济赔偿和禁止侵权行为外，最狠的一刀是要求 Meta 公开训练 Llama 所使用的全部书籍和期刊清单。

Meta 发言人 Dave Arnold 则发表声明反驳，称法庭已经认定版权材料训练可以属于合理使用，AI 正在为各行各业带来变革性创新，Meta 将积极应诉。

为什么重要

这起诉讼很可能会成为 AI 训练数据合法性的一道真正分水岭。

过去大模型厂商最喜欢拿「合理使用」当挡箭牌，逻辑是输入数据只是为了学习规律，生成的是全新内容。但只要模型能一字不差地背诵教材，这种「转换性使用」的说辞在法官面前就很难站得住脚，普通用户或许觉得多了一个免费图书库，但对出版行业来说这是在直接砸饭碗。

更关键的区别在于获取渠道。合规购买数据拿去训练，法律层面尚有很大抗辩空间；可一旦坐实了是从 LibGen、Sci-Hub 这种公认的盗版源拉取数据，任何合理使用的抗辩都会变得极其脆弱，Anthropic 妥协掏出的 15 亿美元就是最好的证明。

我们认为，Meta 这次最被动的不是赔钱，而是出版商要求的「公开训练清单」。如果法庭支持这一项，Meta 过去几代 Llama 的底牌将被迫全盘掀开，行业里那种「先把网上的数据吸干再装傻」的粗暴训练方式，恐怕再也混不下去了。