OpenAI 遭 YouTube 創作者集體訴訟：私抓影片字幕練模型，索賠超 500 萬美元

網上能抓到的文本快被吃光了，AI 巨頭們把目光投向了影片裡的聲音。

但這口飯吃得並不安心。8 月 5 日訊息，來自美國麻薩諸塞州的 YouTube 創作者 David Millette 正式在加利福尼亞北區聯邦地方法院對 OpenAI 發起集體訴訟。他指控 OpenAI 在沒有告知創作者、也沒有支付報酬的情況下，偷偷把數百萬個 YouTube 影片轉錄成文本，餵給了驅動 ChatGPT 的底層模型。

負責代理此案的律所是 Bursor & Fisher。訴狀指出，OpenAI 的行為不僅違反了版權法，還踐踏了 YouTube 禁止第三方應用私自提取影片內容的服務條款。原告方要求由陪審團進行審判，並代表所有被捲入訓練池的 YouTube 創作者索賠超過 500 萬美元。

總裁帶隊轉錄百萬小時影片

起訴書直言不諱：OpenAI 靠著龐大的訓練資料把模型做得越來越聰明，吸引了大量付費訂閱使用者，大把大把地賺錢。然而，這些模型學到的很多東西，全來自未經授權、未署名且未獲補償的創作者成果。

事實上，AI 巨頭用 YouTube 影片補齊語料早就不是秘密。

《紐約時報》4 月就曾曝光過一段內幕：OpenAI 最初打造 Whisper 語音識別模型，核心目的之一就是從影片音訊裡刮出新的訓練資料。當時 OpenAI 總裁 Greg Brockman 甚至親自參與了一個小團隊，用 Whisper 轉錄了超過 100 萬小時的 YouTube 影片，用來訓練 GPT-4。甚至在內部討論時，部分員工就意識到這一操作可能違反了 YouTube 的規則。

不僅是 OpenAI，其他科技巨頭也在幹同樣的事。Proof News 7 月的一份調查顯示，Anthropic、Apple、Salesforce 和 Nvidia 都曾用過一個叫 The Pile 的開源資料集，裡面包含了數十萬條未經授權的 YouTube 影片字幕。蘋果隨後回應稱，並不打算在自家產品的 AI 功能裡使用這些模型。

至於 YouTube 的母公司 Google，去年甚至直接修改了自己的服務條款，名正言順地放寬了使用使用者資料訓練 AI 模型的許可權。

水庫見底後的鋌而走險

巨頭們之所以盯上影片字幕，歸根結底是因為網路公開文本快被挖空了。

Originality.AI 的資料顯示，全球訪問量排名前 1000 的網站裡，已經有超過 35% 遮蔽了 OpenAI 的網路爬蟲。麻省理工學院的資料溯源專案（Data Provenance Initiative）也發現，主流訓練資料集中約 25% 的高質量資料來源已被限制抓取。研究機構 Epoch AI 更是預測，照目前這個速度，AI 開發者在 2026 到 2032 年之間就會徹底面臨無資料可訓的絕境。

而對 OpenAI 來說，這個 8 月開局相當艱難。就在同週一，Elon Musk 也向法院遞交了針對 OpenAI 和 CEO Sam Altman 的新訴狀，不僅重申其背棄了成立之初的非營利承諾，甚至指控其涉嫌敲詐勒索。

為什麼重要

對於廣大內容創作者來說，這起訴訟捅破了最後層窗戶紙：你花幾十個小時拍攝剪輯的影片、整理的逐字稿，轉眼就成了科技巨頭訓練商業模型的免費養料。如果這場官司能打贏，即便 500 萬美元均攤到每個創作者手裡只是杯水車薪，它也將確立一個關鍵先例，迫使 AI 公司像向好萊塢和媒體集團買版權一樣，向散戶創作者支付授權費。

從行業競爭來看，AI 訓練已經進入「資料貧血期」。過去科技公司總把「合理使用」當作免死金牌，認為網上的公開內容誰都能看、誰都能學。但當網路文本築起高牆、音訊轉錄也被訴訟封堵時，單純靠堆引數和盲目爬取資料的路線就徹底撞牆了。

我們認為，OpenAI 當初讓高管帶隊突擊轉錄百萬小時影片，技術上確實聰明高效地解決了 GPT-4 訓練的燃眉之急，但在商業合規上留下了巨大的定時炸彈。版權紅線收緊之後，未來的 AI 競爭不再只是算力的比拼，誰能通過合法分成機制穩定獲取高價值資料，誰才能真正走得長遠。