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。

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 "。

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。

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。