本文来自微信公众号： 字母AI ，作者：苗正
2026年9月18日，纽约南区联邦法院解封了一批文件，里面包含了OpenAI和微软的内部记录。
材料显示，OpenAI和微软通过采集别人生产的内容，训练自己的模型。
但这并不是个例，我们在网上记录的点点滴滴，如今正逐渐变成AI的“饲料”。
AI不会给你点赞、收藏或者转发，因为它压根不理解你创作的内容，只是把你留下的一切收进去，变成它自己的一部分。
于是写作、绘画、说话、歌唱、拍照，这些原本属于人的事，忽然变成了AI发展的核心。
但是你也不必太担心，有一个不知道是好是坏的消息，未来AI不会再把我们当成饲料了，因为它马上学会自己造饲料。
事件来龙去脉
2026年9月17日，纽约南区联邦法院解封了一批文件。这批文件来自《纽约时报》起诉OpenAI和微软的版权案，内容是两家公司的内部记录。
在一份内部备忘录里，微软应用科学总监布伦特·赫克特（Brent Hecht）把用全网内容训练大模型称为“一场规模前所未有的惊人盗窃”，并说这很可能是“人类历史上最大的一次劳动盗窃”。这句话出自被告公司的员工，不是原告的指控。
这起官司已经打了将近三年。
原告是《纽约时报》，被告是OpenAI和微软。此前庭审的走向总体上支持“用版权内容训练模型属于合理使用”。这批解封材料的不同之处，在于它提供的是被告自己的内部记录，而不是法律论证。
微软的内部测算显示，Copilot上线后，《纽约时报》域名的点击率相比传统Bing搜索最多下降93%。
在内部演示文稿中，赫克特把这种下滑称为“死亡循环”，认为它“会同时伤害我们模型的表现，也会伤害整个互联网”。
他还写道，一个终端产品威胁到自己关键供应商的经济根基，这种情况极不寻常，但这是模型业务和它的“内容供应链”造成的局面。文稿中的“供应商”，指的就是生产内容的新闻媒体。
ChatGPT负责人尼克·特利（Nick Turley）在内部沟通中说，ChatGPT这类产品对出版机构构成“生存威胁”，而且“在很大程度上是替代性的”，“随着它们变得更强，会越来越具有替代性”。
OpenAI总裁布罗克曼说，这些模型“非常擅长新闻”。纳德拉在今年作证时承认，和聊天机器人对话“已经替代了直接去网站获取信息”。
然而法律要求不能“替代或损害原作品的市场”。
文件同时还给出了训练数据的规模。仅OpenAI的训练数据集中，就包含《纽约时报》《每日新闻》和调查报道中心的作品91692份拷贝。
在一个从Common Crawl派生的数据集中，仅nytimes.com一个域名就抓取了两百多万份文档。不过其他媒体表示，从《纽约时报》抓取390万份，从《芝加哥论坛》报及其相关报刊抓取730万份。
此外还有一个名为Project Mango的项目，其数据集包含至少160903部新闻出版方的独立作品。OpenAI把整个GPT-3训练数据集交给了微软，微软则通过Project Taxi和Project Mango把数据回输给OpenAI。
文件中还记录了具体操作方式。
OpenAI研究员尼克·赖德（Nick Ryder）告诉布罗克曼，自己有一个“绕过纽约时报付费墙的黑客方法”，布罗克曼回复“不错”。
两人搭建的数据集WebText、WebText2，有相当大一部分是从网上直接抓来的新闻报道。还从Common Crawl拉取了数百万篇文章。
此外，在数据进入模型前，他们会刻意删除版权声明，因为研究人员“不想让模型向用户输出‘版权声明’”。
原告代理律师史蒂文·利伯曼（Steven Lieberman）说，证据表明，OpenAI和微软知道自己在做的事是错的。
微软对这批文件回应称，相关言论只是反映了一名员工的个人观点，不是法律分析，更不代表公司立场。赫克特并非决策者，公司雇他是为了“呈现不同的、非对称的视角”。
还有谁在喂AI？
实际上OpenAI已经是“二进宫”了。
2023年9月，美国作家协会连同17位作家，如约翰·格里森姆（John Grisham）、乔治·R·R·马丁（George R.R.Martin）、朱迪·皮考特（Jodi Picoult）、大卫·鲍尔达奇（David Baldacci）、乔纳森·弗兰岑（Jonathan Franzen）、斯科特·图罗（Scott Turow）等人。
在纽约南区对OpenAI提起集体诉讼。此后，多起作家诉讼（特伦布莱（Tremblay）、西尔弗曼（Silverman）、夏邦（Chabon）等）陆续并入，原告规模还在扩大。
《纽约时报》诉状里的证物J，标题叫《GPT-4记忆〈纽约时报〉内容的一百个例子》，整整127页。喂给它一篇文章的开头，它能几乎逐字补完剩下的部分，连署名和引语都在。
2026年，arXiv上发布了一篇名为《对齐打地鼠》的论文。
研究者把模型微调成“按情节写全文”——只给情节摘要，不给原文。结果GPT-4o、Gemini 2.5 Pro能复现出85%到90%的版权书籍原文，单段逐字复现超过460个词。研究者给这种现象起了个名字，叫“对齐打地鼠”：你堵住一个漏洞，它在别处又冒出来。
这不是偶然。尼古拉斯·卡尔利尼（Nicholas Carlini）早在2023年就说过：模型越大、你那段数据被重复喂的次数越多、上下文给得越足，它记得就越死。
实际上扒取网上的公开资料，把人们的记录变成AI饲料的，远不止于OpenAI和微软。
2026年9月4日，一起集体诉讼递到了伊利诺伊北区联邦法院。原告是两个家庭，连同他们的孩子。诉状指控Meta未经同意，抓取Facebook和Instagram用户的照片和生物特征数据，用来训练三样东西：人脸识别系统NameTag背后的模型、给NameTag做比对用的“人脸指纹”，以及生成式图像模型Emu和Muse Image。
NameTag是给Ray-Ban和Oakley智能眼镜准备的。早在2026年6月初，就有人发现在Meta的配套App里存在NageTag相关的代码，只不过当时并不知道这个功能是干什么用的。
Meta的回应是：“这起诉讼没有依据，曲解了我们的工作……NameTag没有向消费者发布，也没有最终决定要做什么。”它还强调，自己“不是在建立一个通用的人脸数据库”。
话虽如此，但Meta已经是第三次因为人脸识别被告上法庭了。
2021年，它因为“自动标记好友”违反伊利诺伊《生物识别信息隐私法》，赔了6.5亿美元，约142万伊利诺伊用户分钱，有人拿到了400多美元。2023年，Instagram的人脸识别又让它赔了6850万美元，约400万伊利诺伊居民符合资格。Snap也因类似问题在2016年赔了3500万美元。
这部法律的罚则是每人每项1000到5000美元。
从金额来看，以Meta的用户规模，Meta可能要赔付超过10亿美元。不过Meta仍然选择付钱，毕竟相对于赔偿而言，法庭并没有阻止Meta继续开发模型，因此赔偿仍在可接受的范围内。
Meta的采集对象，也不只是用户。
2026年4月21日，Meta在美国员工的工作电脑上安装一款追踪软件，实时记录鼠标移动、点击位置和键盘输入，并定期截屏，用来训练它的AI模型。
这款工具叫“模型能力计划”（Model Capability Initiative）。Meta首席技术官安德鲁·博斯沃思（Andrew Bosworth）在内部备忘录中说，长期目标是把AI智能体培养成“承担工作”的角色，人类员工则转为“指挥、审查和协助改进”。
这个项目后来改名为“Agent转型加速器”。Meta的发言人称，这些数据只用于训练模型，不用于绩效考核，并设有保护敏感内容的措施。
但据媒体报道，采集范围覆盖员工日常使用的各类应用和网站，包括谷歌、GitHub、Slack，甚至个人Gmail；美国员工无法退出，只有受欧盟《通用数据保护条例》约束的欧洲员工被排除在外。
同一周，Meta裁掉约8000名员工，不少员工因此担心，自己正在亲手训练将来取代自己的AI。到2026年6月，Meta暂停了这项计划，原因是追踪工具抓取到了敏感信息，且这些信息一度被全公司访问。
Meta的手，也不只伸向自家平台。
Meta专门有个用来扒视频内容的爬虫，名为MSAE。Meta AI自己承认，训练数据里有370万条YouTube视频转录文本的第三方数据集。
2026年1月，包括h3h3 Productions、Mr.ShortGame Golf、Golfholics在内的几位YouTube博主，合计620万订阅，在加州中区联邦法院起诉Snap，指控它用后端自动化工具，把数百万条YouTube视频的视听文件成批下载下来，塞进HD-VILA-100M和Panda-70M数据集，用来训练“Imagine Lens”这类的图像编辑能力。
诉状没有走传统版权路线，而是主攻《数字千年版权法》第1201条的反规避：YouTube的设计是让人在线观看，不是让人拿到原始文件，Snap涉嫌在规模化层面，违反了该法律法规。
原告之一伊桑·克莱因（Ethan Klein）还顺手把英伟达、Meta、字节跳动、亚马逊、OpenAI、苹果一并告了。他的说法是，这些公司“一天能抓走80年的内容”。
搜索是谷歌的核心业务，因此谷歌也在名单上。
2026年7月，阿歇特出版集团、Cengage、爱思唯尔，连同畅销书作家斯科特·图罗，在纽约把谷歌告了，指控它用数百万本版权书籍训练Gemini。诉状称，谷歌从“已知的盗版来源”抓内容，甚至绕过学术网站的付费墙，去拿爱思唯尔旗下《柳叶刀》、《细胞》的文章。
诉状称：Gemini可以在20分钟内，用0.39美元，生成一部10万字的悬疑小说。谷歌内部文件也警告过，这么做可能“给谷歌带来100亿到1000亿美元的潜在罚款”。
语音和音乐，也没能幸免。
苹果的Siri，把“意外唤醒”时的录音交给外包合同工去听。据外媒报道，里面充斥着医生和病人的对话、商业谈判、疑似犯罪交易。有评估员一天要听多达1000条。苹果最终以9500万美元和解。
2024年6月，RIAA代表环球、索尼、华纳，把AI音乐公司Suno和Udio告了，指控它们用受版权保护的录音。
最后一批饲料
不过我们也不需要担心什么，因为我们即将成为AI的最后一批饲料。如今，AI公司，已经开始自己喂自己了。
2026年6月，Anthropic发了一篇博客，标题叫《当AI建造自己》。里面提到，截至2026年5月，合并进Anthropic生产代码库的代码，超过80%是Claude写的，不是人写的。在那之前，这个比例还只是个位数。
也就是说，15个月里，这家公司把绝大部分编程工作交了出去。有工程师已经五个月没写过一行代码；他们每天合并的代码量，是几年前的8倍。
2026年9月17日，Anthropic又发布了一份报告，标题是《衡量AI发展的速度》，这篇文章主要讲的是“研发工作有多少由AI主导”。它采用Epoch AI提出的自动化等级，从完全没有AI参与的AL0，到AI完全自主的AL5来划分。
其中AL4指AI能从一句大致的目标出发，端到端完成大部分工作，人类只负责监督和最后决策。
文章提到，2026年2月，Anthropic达到AL4这一级别的研发工作还不到1%。5月是12%，7月是22%，8月已经升到26%。
如果把标准放宽到“AI在人的密切指导下完成大块工作”的AL3，则有超过90%的研发工作达标。报告还提到Anthropic内部最主要的Agent平台上，任意时刻约有3万个AI Agent在从事研究和工程工作，仅在2026年8月就产生了超过10亿次决策。
OpenAI那边，走的是另一条路。
2026年7月，OpenAI披露，发布GPT-5.6时，它用最强的Sol模型，去自主“后训练”了一个更小的模型Luna。研究员只给了一句“相当不充分的提示”，Sol就自己找训练配置、挑GPU、启动训练脚本、验证运行，还顺带生成了合成训练数据。
这项工作，过去要两个资深研究员做两周。在OpenAI内部的“递归自我改进指数”上，Sol比上一代GPT-5.5高出16.2分。
Anthropic把这件事叫递归自我改进。它的本质，是训练数据的来源，正在从“人类生产的内容”，切换成“AI自己生成的内容”。
而你，就是这次切换完成之前的，最后一茬人类饲料。
问题是，AI自己生成的数据，撑得起下一波模型吗？
2024年，舒马伊洛夫（Shumailov）等人在《自然》上发了一篇论文，标题为《AI模型在递归生成数据上训练时会崩溃》。
他们发现，如果反复用合成数据训练模型，模型会“坍缩”，输出的多样性不断收窄，尾部信息被系统性抹掉，最后变成一种“语法正确、但语义空洞”的状态。
论文的结论是，你不能用合成数据完全替代人类数据，必须两者叠加。只要原始的人类信号还在，模型就还健康。
所以现在行业的配方，大概是10%到30%的真实人类数据打底，剩下的靠模型自己喂自己。
那10%到30%，就是我们还剩的用处。但很可惜，连这个用处也在倒计时。
一旦合成数据的质量足够稳定，一旦这个闭环转得够顺，人类数据就再也没有采集的必要。