《纽约时报》诉微软和OpenAI案的新解封文件，把AI公司最不愿公开的内部判断放到了台面上。微软应用科学部门主管Brent Hecht称使用数百万篇新闻文章训练AI是一场惊人的盗窃，甚至可能是人类历史上规模最大的劳动力盗窃；ChatGPT负责人Nick Turley警告AI产品对出版商构成生存性威胁。法庭文件还披露，微软数据显示，AI回答工具使部分出版商网站点击率下降83%到93%。这些是诉讼证据和内部表态，不等于法院对合理使用的最终认定。
两条线索的性质并不相同：一条来自大型诉讼的证据披露，一条来自记者对实体供应链的调查。它们能放在同一篇文章里，不是因为都已经有最终法律结论，而是因为都暴露了同一个缺口，即模型公司在摄入内容时缺少可追认的来源结构。
同一天的另一条调查指向更物理的供应链：404 Media联合创始人Emanuel Maiberg揭露，稀有书籍通过匿名市场被买入，书脊被移除，书页送入高速扫描仪，成为AI训练数据。调查者的描述很直白，这不是恶意，而是漠不关心。两条新闻合在一起，AI训练数据的账单开始同时挂在三个科目上：劳动补偿、权利来源和文化保存。
数据账单不是一笔罚金。它是一整套供应链责任：数据从哪里来，谁有权授权，原所有者如何分成，罕见实物如何保存，模型输出如何追溯。AI公司越想把数据视为通用语料，这三项就越会变成真实成本。
从免费语料到数据供应链
过去十年，大模型公司受益于一个宽松结构：公开网页、书籍、论文、论坛和新闻可以被爬取，版权责任被合理使用争论推迟，用户则默认公开即可使用。现在结构反转了。出版商设置访问边界，作者起诉，平台限制爬虫，监管要求披露训练数据，企业客户也开始追问数据来源。
这不是道德情绪化，而是供应链成熟化。任何工业体系在早期都可以假装原料无限，等到规模化生产和法律责任出现，原料来源、批次、质检和追溯就必须进入成本表。训练数据正经历同样的转折。
转折的直接表现是采购谈判变多。模型公司开始区分公开可爬取、合作授权、用户生成、许可采购和合成数据；企业客户开始区分训练用途、检索用途、缓存期限和输出保留。过去这些差别被压在一个叫做数据的词里，现在每个差别都可能对应不同价格、责任和审计方式。
谈判的关键是让交易标的可计量。一个数据批次至少要有内容指纹、来源证明、许可范围、使用期限、脱敏记录和分发追踪。没有这些字段，买方无法比较数据质量；有了这些字段，卖方也无法用一个模糊语料库包装不同权利来源。计量标准越清楚，谈判越少依赖道德姿态。
数据供应链的术，是批次、指纹、授权和追溯；道，是谁对来源和补偿承担责任。术解决能不能用，道决定能不能持续用。很多AI公司的问题不在缺少存储和清洗工具，而在把来源责任外包给爬虫，把补偿责任外包给法院，把文化后果外包给社会。
这两个层次不能互相替代。只有术，企业会得到一堆合规文件，却仍然不知道创作者是否拿到报酬；只有道，企业会发表负责任AI原则，却无法回答某条数据为何进入模型。成熟供应链必须同时有账本和原则：账本讲清楚来源，原则讲清楚谁承担剩余责任。
马克思在《资本论》里讨论原始积累时说，资本主义的前提是生产者与生产资料分离，这一过程并非田园诗，而是充满征服、劫掠和暴力剥夺。把这个概念借到AI上要非常小心，但它提醒我们：训练语料的便宜，不是自然事实，而是权利安排的结果。
解释力的边界必须停一下。马克思分析的是资本主义生产关系和土地剥夺，不是数字版权，也不直接描述创作者经济。AI训练中的许多内容确实经过授权、公开许可或平台协议，法律争议也发生在法院而非原始积累的历史场景；这里也不预设所有创作者都被迫交易，更不把版权争议等同于暴力剥夺。借用的只有一个洞察：看似自然的原料价格，背后存在权力和制度安排。
点击率下降击中的是再生产能力
新闻业最脆弱的地方，不是某篇文章被复制，而是采访、核实、编辑和发布这条再生产链被打断。AI回答如果直接满足查询，用户点击下降83%到93%，广告、订阅和品牌曝光的收入循环也会随之收缩。短期看，模型获得高质量答案；长期看，持续生产高质量答案的组织被削弱。
这会造成一种错配：模型最擅长消费结构化、可靠、新鲜的公共知识，但它的使用方式可能减少这些知识的生产收入。订阅、授权和流量分成必须补上这个缺口，否则数据账单只是把新闻机构的过去一次性买走，而不是支撑未来生产。
新闻授权也不能只按篇数计价。调查报道的价值分布在选题、采访、核实、编辑、地理线索和长期信誉里；同一篇稿子的摘要、引用、检索增强和训练用途，对应不同成本。若授权合同只卖文本包，不规定展示位置、回流链接、更新频率和署名方式，出版商仍然会失去品牌入口。
一个可行的结构是把授权分层：训练层记录来源但不直接向用户复现；检索层必须返回链接和引用；摘要层按展示和商业场景计价；实时数据层按延迟和字段定价。分层不会解决所有争议，但至少让交易标的可辨认，而不是把新闻业整体折算成token。
我的blog流程有一个很小的对照。硬数据必须有可核查来源，URL进入本地Clippings，正文引用时保留出处，编审时还要复核关键事实。这个流程的成本明显高于随手生成，但它保护的是后续可追溯性。个人知识库尚且如此，企业级训练数据不可能长期依赖无主语料。
规模放大后，来源记录会变成数据基础设施，而不是文档附件。每次入库要生成内容指纹、授权状态、许可期限、使用限制和分发历史；每次训练或检索要记录数据集版本、模型版本和处理目的；发现侵权时能定位批次、下游模型和已分发副本。做不到这些，删除权和退出权在技术上就无从落地。
可以先用几个覆盖率指标逼系统成型：入库数据来源标识覆盖率应达到100%；商用场景授权确认覆盖率应达到100%；灰色数据隔离率应达到100%；高风险批次审计抽样不得低于10%，年度审计抽样不得低于5%；被投诉内容的下线与追溯完成率应达到100%。这些不是法律要求，而是企业判断自己有没有数据治理的最低工程线。
数据护照还要有三种状态：可验证授权、待澄清来源、禁止使用。很多企业把待澄清和禁止混在一起，结果要么过度删除，要么冒充合规。灰色数据不是不能用，而是必须隔离在低风险场景，等待权利确认。这个状态机比一句负责任AI更实用。
稀有书籍被拆掉的不只是书脊
稀有书籍调查里最刺眼的细节是破坏性扫描：为了高速处理，物理书被拆解。对模型来说，一本书主要是文本序列；对文化系统来说，版本、批注、装帧、流传记录和收藏脉络本身就是信息。把这三者一起压平成token，损失的不只是版权信息，还有文化上下文。
《文化战略》强调，文化表述由意识形态、神话和文化密码构成，真正起作用的是那些在历史中被具体确立的细节。把内容抽象成通用语料，恰恰会剥离这些细节。AI可以学习语言分布，却可能不知道哪些表述在特定传统中承担身份、道德和美学功能。
这也是文化资产与普通文本数据的差别。普通文本可以直接按字数或字段计价，文化资产的价值依赖版本、语境和传承关系。一个民间故事、一份宗教文本、一本绝版技术手册、一套方言词典，被拆成通用语料后都丢掉了自身的社会位置。数字化必须同时保存元数据，否则只是把文化对象变成匿名原料。
保存义务不应只落在公共机构。使用方获得训练收益，就应承担部分数字化、修复、编目或公共访问成本。更合理的合作方式是模型公司、图书馆、档案馆和研究者共同定义哪些副本可扫描、如何保留实物信息、哪些元数据必须随行，以及来源社区能否优先访问成果。
由此，数据集需要类似护照的来源记录：内容来源、授权状态、扫描方式、实物保存位置、后续补偿路径和退出机制。没有这层记录，15亿美元级和解只会变成经营成本，不会改善供应链。
支付机制之外，还要有争议处理机制。权利人不认账时，是下线数据集、重训模型、删除向量，还是只限制输出？多重许可冲突时，以哪份合同为准？匿名市场买来的实物书，如何处理善意取得与上游侵权？这些问题的答案决定账单是可执行债务，还是下一轮诉讼的起点。
一次性和解的问题在这里暴露得最明显。它能补偿过去的未授权使用，却不能保证未来收入，也不能建立来源市场。若和解金没有流向持续生产，没有改进数据登记，也没有给来源社区留下访问权，它只是把上游成本一次性折旧。下一次模型训练仍然会面对同样的无主语料。
更合理的路径是和解与采购并行：和解处理历史责任，授权采购建立未来供给，数据护照记录权利流转，审计机制验证承诺。对大型版权方，这可以是一份长期合同；对小权利人，这可以是集体分配；对孤本和公共档案，这至少应是保存和访问义务。
这条路径的阻力不难预见。大模型公司担心授权成本抬高门槛，权利人担心集体机制稀释议价权，平台担心披露数据商业机密，监管者又难以在创新与问责之间划线。正因如此，最可行的起点不是一次性解决全部权利，而是先让高风险数据退出灰区：新闻、图书、个人数据、儿童内容、孤本档案和受限制行业内容，应先进入可验证来源池。
低风险公开数据可以继续讨论合理使用，但企业不应把待澄清数据直接投入高价值商业模型。这个分层会带来成本，却能把不可诉讼的伦理争论转成可执行的工程动作。数据治理的价值就在这里：它不承诺完美正义，但能把争议范围缩小到能审计、能补偿、能纠正的边界内。
企业客户也该把数据合规写进验收。采购模型时不只问供应商有没有版权承诺，还要看训练数据披露范围、投诉入口、下线流程、审计样本和赔偿上限。若供应商把所有责任都写成免责条款，客户实际上替它承担了看不见的数据债务。
三种支付机制
第一层是直接授权。新闻机构、出版商和数据库与模型公司签订可审计协议，按使用范围、时间、场景和输出限制定价。这适合权利清楚、内容价值高的主体，也最容易把使用痕迹写入合同和系统。它失败的方式也很明确：若只按历史库存定价，不补偿AI回答带来的流量替代，授权费无法支撑再生产。
第二层是集体分配。长尾作者、插画师、译者和独立出版人很难逐个谈判，需要集体许可、版税池和行业代理机制。关键是分配规则公开，不能只停留在平台代收，还要给权利人可查询的明细。若代理方不披露使用明细和分配公式，集体机制会把不透明市场换成另一个不透明分配层。
第三层是文化保存义务。对孤本、绝版书和历史档案，使用方应承担数字化保存、馆藏合作或公共访问回馈，不能只拆书取文。数据使用越广，越要给来源社区留下可访问的副本和元数据。若只付款而不保存版本信息，账单仍然没有偿还文化语境的损失。
这三层不能混成一个数据税。统一税率看起来公平，实际上会让高价值调查报道和低价值重复内容拿到同样补偿，也会让平台继续掩盖具体使用、具体授权和具体受益人。可追溯使用才是核心。
情景与证伪
基准情景：到2028年，主要模型公司建立训练数据来源披露，新闻与图书授权成为常规采购科目，长尾分配仍混乱。触发条件是几起标志性判决或和解促使企业客户要求供应商提供数据合规证明。
上行情景：可追溯授权市场形成，高质量内容生产者获得稳定收入，模型公司因数据质量更好而降低清洗和法律成本。触发条件是授权数据的边际收益超过爬取数据。
下行情景：诉讼和解成为巨头门槛，小公司无法承担授权，行业退回黑箱供应链；创作者拿到一次性赔偿，持续生产仍被削弱。触发条件是披露规则停留在营销层面。
什么信号说明本文判断错了？第一，法院大规模支持宽泛合理使用，且出版商流量收入不受AI回答影响。第二，无来源通用语料持续产生高质量、低幻觉结果，市场不关心出处。第三，数据授权成本显著高于收益，模型公司减少使用外部新闻和书籍后能力继续提升。
AI的数据账单来了。它不是版权战争的终局，而是下一轮数据基础设施的起点。谁先把来源、补偿、保存和争议处理做成可审计系统，谁才能把数据优势从法律风险变成长期生产能力。
Sources
- Horizon 2026年9月18日第5条，转述《纽约时报》：微软与OpenAI解封文件披露内部对训练数据的担忧、83%至93%点击率下降等事实。
- Horizon 2026年9月18日第52条，转述France24和404 Media调查：稀有书籍被匿名市场买入、拆解并高速扫描用于AI训练。
理论来源：
- 马克思，《资本论》，所谓原始积累章节。
- 道格拉斯·霍尔特、道格拉斯·卡梅隆，《文化战略》，文化表述、神话与文化密码。