AI 训练数据的版权之战：NYT 诉 OpenAI 与全球立法进展
2025-2026年，AI 训练数据的版权问题进入了法律战场。“纽约时报诉 OpenAI”案成为标志性案件，涉及 ChatGPT 是否在训练中”未经授权复制”了 NYT 的新闻内容。与此同时，EU AI Act 的高风险 AI 系统规则将于 2026年8月2日全面生效，要求训练数据透明化。这些法律进展正在重塑 AI 行业的基本规则——而”爬虫自由”的时代正在走向终结。
NYT 诉 OpenAI：AI 版权的地标案件
纽约时报（NYT）在 2023 年底起诉 OpenAI 和 Microsoft，指控 ChatGPT 的训练数据中包含了 NYT 的版权文章，且在生成回答时有时会逐字或接近逐字地复述 NYT 的内容。这是”传统版权方 vs AI 公司”系列案件中最引人注目的一桩。
到 2026年中，案件经过了两年的证据开示和听证，进入了实质性审理阶段。几个关键的法律争议点：
“合理使用”（Fair Use）的边界：OpenAI 辩称其训练过程属于”合理使用”——用于训练 AI 模型属于对版权材料的”转换性使用”。但 NYT 反驳说，ChatGPT 有时能生成几近逐字复述的新闻内容，这不是”转换性使用”，而是”未经授权的复制和分发”。
“记忆”（Memorization）问题：AI 模型在训练过程中”记住”（而非”学习”）部分训练数据已经被多项研究证实。如果 ChatGPT “记住”了 NYT 的整篇文章并能够复述，这在法律上是否构成”未经授权的复制”？
训练数据透明度：NYT 要求 OpenAI 披露其训练数据的完整来源列表。OpenAI 以”商业机密”为由拒绝。这一争议将成为案件结果的重要变量。
法律专家普遍认为，NYT 案的结果将为 AI 行业设定一个重要的先例——无论谁赢，都会影响未来 AI 公司获取和使用训练数据的方式。
EU AI Act：8月2日的合规 deadline
EU AI Act 是全球最全面的 AI 法律框架。它在 2024年8月正式生效，采取了分阶段实施的策略。最关键的节点是 2026年8月2日——高风险 AI 系统的合规要求将在这一天全面生效。
对于 AI 训练数据而言，EU AI Act 的核心要求是：
训练数据透明度：高风险 AI 系统的开发者必须提供训练数据的摘要（包括数据来源、数据处理方式和潜在偏见评估）。虽然不需要公开完整的训练数据，但监管机构有权要求查看。
版权合规：AI 公司必须遵守欧盟版权法，包括发布训练数据中所包含的版权作品的摘要。这意味着 AI 公司不能再”假装不知道”训练数据中包含了哪些版权材料。
GDPR 交叉适用：如果训练数据中包含欧盟公民的个人数据（如社交媒体帖子、照片等），AI 公司还需遵守 GDPR——包括”被遗忘权”（用户有权要求删除其个人数据）和”数据最小化”原则。
这些规则的实施，意味着 AI 公司需要从”把所有能抓到的东西都喂给模型”转向”谨慎选择和管理训练数据”。
行业影响：谁最受伤？
版权规则的收紧对不同玩家的影响不对等：
大公司（OpenAI、Google、Meta）：虽然合规成本很高，但有足够的法务资源和技术能力来应对。而且他们已经在积极与内容版权方达成付费协议（Google 与新闻出版商的协议、OpenAI 与 Axel Springer 的协议等），为自己的训练数据”合法化”铺路。
开源社区：面临更大困难。开源模型（如 Llama 4、DeepSeek）使用的是公开可用的训练数据，但在新规则下，“公开可用”不等于”合法可用”。如果规则进一步收紧，开源模型的训练可能面临法律风险。
内容创作者：最终可能通过许可协议获得补偿——类似于音乐流媒体时代，平台向艺人支付版税。Getty Images 已经在 2025年推出了针对 AI 训练数据的许可计划。但单个创作者是否能获得公平的补偿，取决于集体谈判的博弈力。
中国的版权格局
在中国，AI 训练数据的版权问题也在升温。2026年初，北京互联网法院受理了首例”AI 训练数据版权侵权”案件——一位网络小说作者起诉某大模型公司在训练中未经授权使用其作品。
虽然中国的法律体系和欧美不同，但中国在 AI 监管上也在快速推进。网信办在 2025 年底发布了《生成式AI训练数据管理办法》征求意见稿，要求生成式 AI 服务提供者”使用合法来源的数据”。
结语
AI 训练数据的版权问题不会在 2026 年终结——它将在未来几年中持续发酵。但一个趋势是清晰的：“免费爬虫时代”正在终结，AI 行业需要学会为创作付费。 这本质上是一个”谁为 AI 的价值创造买单”的问题——是模型开发者独享收益，还是数据创作者也分一杯羹。
参考来源：