一份判决书揭秘了Anthropic训练模型细节

五位作家起诉 Anthropic，指控其在训练 Claude 模型过程中使用了数百万本未授权图书（电子书和纸质书）。

2021-2022 Anthropic了下载 Books3（含近 20 万本图书）、LibGen（超 500 万本）、PiLiMi（200 万本）等盗版资源

用于构建“内部研究图书馆” （未直接用于训练全量数据，但内容被用于评估、采样和过滤）。

2024年起：

Anthropic转向合法方式：大规模购买实体书籍并扫描

聘请前 Google 图书项目高管 Tom Turvey，设法规避法律阻力。

从零售商、批发商处以数百万美元购买纸质图书（包括二手书）。

服务商负责拆书、扫描、OCR 建立数字副本，构建高质量文本语料库。

法院判决：

✅ 被裁定为“合理使用”的部分：

扫描纸质图书（合法购买）供内部使用，用于模型训练。
法院认为这种做法具有“转化性”（transformative use），构成合理使用（fair use）。

图书未被向外部公开，模型输出也不是原书复制。

❌ 仍将进入审判的争议部分：

下载使用盗版电子书的行为（如Books3、LibGen、PiLiMi）

法官确认 Anthropic 明知使用盗版数据并长期保留。

虽然后期承诺不再使用，但已造成版权侵害。

有趣的是法院对“合理使用”的核心论点：

法官认为：就像人类“读书→理解→写作”，不能要求每次回忆书中思想都支付版权费用。

“人们阅读、记忆、再创作已有文学结构，从中发展新的思想与写作风格。不能因引用或受启发就处处收费。”

法官强调模型学习与人类阅读记忆之间的相似性，指出模型不是“复制”，而是“吸收与转化”。😂

点击图片查看原图