纽约时报指控OpenAI藏证据

《纽约时报》和《每日新闻》在7月9日抛出一记重锤：它们指控OpenAI在这桩跑了两年的版权官司里，就「能不能搜自己的训练数据和聊天记录」撒了谎。

整件事的由头是这样。OpenAI一直辩称，自己没有能力检索庞大的训练语料；又说要翻出并交出海量ChatGPT对话，技术上太重、还会触碰用户隐私。原告要这些数据，是想确认自家新闻有没有进训练集、ChatGPT又多频繁地照搬输出。

但在今年4月法院命令的 deposition 里，OpenAI的数据隐私工程师Vinnie Monaco据称承认了两件事。其一，OpenAI其实早就在内部搜过训练语料、评估过有没有侵权新闻。其二，在《纽约时报》起诉之前，OpenAI就已经攒了一个约7800万条去标识化ChatGPT对话的数据库，专门用来判断自己抄了多少；起诉后不久，又上了个叫「Project Giraffe」的工具集，里面的「Bloom」过滤器专门记录和留存输出里的「regurgitation（照搬）」。

更刺眼的是取证过程。原告本来要1.2亿条聊天样本，谈判压到2000万；OpenAI去年12月交上去的版本，法院说因为遮得太狠「没法用」。原告还主张OpenAI在起诉后删了数十亿条输出、替换了数百万条日志，直接违反保全令。

现在原告请求法官制裁：不让那2000万样本当证据、直接认定日志会显示大量照搬、不许OpenAI拿样本辩解。OpenAI发言人Drew Pusateri全盘否认，反咬一口，说时报是案子走弱了才来侵犯无关用户的隐私，「我们会继续捍卫用户隐私和早就立住的合理使用原则」。

这场仗，已经从「抄没抄」打到了「取证公不公正」。