当“AI饲料”，我都被AI嫌弃了？

2026年9月18日，纽约南区联邦法院公布了一批解封文件，其中包含了OpenAI和微软的内部记录。
这些材料显示，OpenAI和微软通过抓取他人创作的内容来训练自身模型。
但这并非孤立事件——我们在网络上留下的每一次记录，如今正逐步沦为AI的“饲料”。
AI不会给你点赞、收藏或转发，因为它从不理解你创作的内容，只是将你的一切数据吸收，转化为自身的一部分。
于是，写作、绘画、说话、歌唱、拍照——这些原本属于人类的行为，突然成了AI发展的核心。
不过，你也不必过于担忧。有一个好坏难辨的消息：未来AI可能不再把我们当作饲料，因为它很快就能自己制造饲料了。

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。这些文件源自《纽约时报》针对OpenAI和微软的版权诉讼，内容涉及两家公司的内部记录。
在一份内部备忘录中，微软应用科学总监布伦特·赫克特（Brent Hecht）将利用全网内容训练大模型描述为“一场规模空前的惊人盗窃”，并称这可能是“人类历史上最大的一次劳动盗窃”。这句话出自被告公司员工之口，而非原告的指控。
这起诉讼已持续近三年。
原告是《纽约时报》，被告为OpenAI和微软。此前庭审趋势总体上支持“用版权内容训练模型属于合理使用”。这批解封材料的独特之处在于，它提供了被告自身的内部记录，而非法律论证。
微软的内部估算显示，Copilot上线后，《纽约时报》域名的点击率比传统Bing搜索最高下降了93%。
在内部演示文稿中，赫克特将这种下滑称为“死亡循环”，认为它“会同时损害我们模型的表现，也会损害整个互联网”。
他还写道，一个终端产品威胁到自身关键供应商的经济根基，这种情况极不寻常，但这正是模型业务及其“内容供应链”所导致的局面。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）在内部沟通中指出，ChatGPT这类产品对出版机构构成“生存威胁”，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总裁布罗克曼表示，这些模型“非常擅长新闻”。纳德拉今年作证时承认，与聊天机器人对话“已经替代了直接访问网站获取信息”。
然而，法律要求不能“替代或损害原作品的市场”。
文件还披露了训练数据的规模。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共91692份拷贝。
在一个源自Common Crawl的数据集中，仅nytimes.com一个域名就抓取了超过两百万份文档。不过，其他媒体指出，从《纽约时报》抓取了390万份，从《芝加哥论坛报》及其相关报刊抓取了730万份。
此外，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将整个GPT-3训练数据集交给了微软，微软则通过Project Taxi和Project Mango将数据回输给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和WebText2，有相当大一部分是从网上直接抓取的新闻报道。他们还从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）表示，证据表明OpenAI和微软清楚自己行为的错误性。
微软对此回应称，相关言论仅反映了一名员工的个人观点，并非法律分析，更不代表公司立场。赫克特并非决策者，公司雇用他是为了“呈现不同的、非对称的视角”。

还有谁在喂AI？
实际上，OpenAI已是“二进宫”。
2023年9月，美国作家协会联合17位作家，包括约翰·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（如特伦布莱（Tremblay）、西尔弗曼（Silverman）、夏邦（Chabon）等）陆续并入，原告规模仍在扩大。
《纽约时报》诉状中的证物J，标题为《GPT-4记忆〈纽约时报〉内容的一百个例子》，长达127页。喂给它一篇文章的开头，它能几乎逐字补完剩余部分，连署名和引语都保留。
2026年，arXiv上发布了一篇题为《对齐打地鼠》的论文。
研究者将模型微调成“按情节写全文”——只给情节摘要，不提供原文。结果GPT-4o和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。研究者将这种现象命名为“对齐打地鼠”：你堵住一个漏洞，它又在别处冒出来。
这并非偶然。尼古拉斯·卡尔利尼（Nicholas Carlini）早在2023年就指出：模型越大、数据被重复喂的次数越多、上下文越充分，它记忆得就越牢固。
实际上，扒取网络公开资料、将人们记录变成AI饲料的，远不止OpenAI和微软。
2026年9月4日，一起集体诉讼递至伊利诺伊北区联邦法院。原告是两个家庭及其孩子。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，用于训练三样东西：人脸识别系统NameTag背后的模型、为NameTag做比对用的“人脸指纹”，以及生成式图像模型Emu和Muse Image。
NameTag是为Ray-Ban和Oakley智能眼镜准备的。早在2026年6月初，就有人在Meta配套App中发现NameTag相关代码，但当时不清楚其功能。
Meta回应称：“这起诉讼没有依据，曲解了我们的工作……NameTag未向消费者发布，也未最终决定要做什么。”它还强调，自己“并非在建立通用的人脸数据库”。
话虽如此，但Meta已是第三次因人脸识别被起诉。
2021年，它因“自动标记好友”违反伊利诺伊《生物识别信息隐私法》，赔偿6.5亿美元，约142万伊利诺伊用户分得款项，有人获得400多美元。2023年，Instagram的人脸识别又让它赔偿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年赔偿3500万美元。
该法律的罚则是每人每项1000到5000美元。
从金额看，以Meta的用户规模，它可能需赔付超过10亿美元。但Meta仍选择付钱，因为相比赔偿，法庭并未阻止其开发模型，因此赔偿仍在可接受范围内。
Meta的采集对象也不仅限于用户。
2026年4月21日，Meta在美国员工的工作电脑上安装追踪软件，实时记录鼠标移动、点击位置和键盘输入，并定期截屏，用于训练其AI模型。
这款工具名为“模型能力计划”（Model Capability Initiative）。Meta首席技术官安德鲁·博斯沃思（Andrew Bosworth）在内部备忘录中表示，长期目标是将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”。
该项目后来更名为“Agent转型加速器”。Meta发言人表示，这些数据仅用于训练模型，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裁减约8000名员工，不少员工担心自己正在亲手训练未来取代自己的AI。到2026年6月，Meta暂停了该计划，原因是追踪工具抓取到敏感信息，且这些信息一度被全公司访问。
Meta的手也不仅伸向自家平台。
Meta专门有一个用于扒取视频内容的爬虫，名为MSAE。Meta AI自己承认，训练数据中包含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，指控其使用后端自动化工具，批量下载数百万条YouTube视频的视听文件，纳入HD-VILA-100M和Panda-70M数据集，用于训练“Imagine Lens”等图像编辑能力。
诉状未走传统版权路线，而是主攻《数字千年版权法》第1201条的反规避：YouTube的设计是供用户在线观看，而非获取原始文件，Snap涉嫌规模化违反该法规。
原告之一伊桑·克莱因（Ethan Klein）还顺手将英伟达、Meta、字节跳动、亚马逊、OpenAI、苹果一并告上法庭。他声称，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，在纽约起诉谷歌，指控其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”抓取内容，甚至绕过学术网站的付费墙，获取爱思唯尔旗下《柳叶刀》和《细胞》的文章。
诉状指出：Gemini可在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”。
语音和音乐也未能幸免。
苹果的Siri将“意外唤醒”时的录音交给外包合同工听取。据外媒报道，录音中包含医生与病人的对话、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，起诉AI音乐公司Suno和Udio，指控其使用受版权保护的录音。

最后一批饲料
不过，我们无需过于担忧，因为我们即将成为AI的最后一批饲料。如今，AI公司已开始自我喂养。
2026年6月，Anthropic发布一篇博客，标题为《当AI建造自己》。文中提到，截至2026年5月，合并进Anthropic生产代码库的代码中，超过80%由Claude编写，而非人类。而在那之前，这一比例仅为个位数。
也就是说，15个月内，这家公司将绝大部分编程工作移交出去。有工程师已五个月未写一行代码；他们每天合并的代码量，是几年前的8倍。
2026年9月17日，Anthropic又发布一份报告，标题为《衡量AI发展的速度》，主要探讨“研发工作中有多少由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进行划分。
其中，AL4指AI能从一句大致目标出发，端到端完成大部分工作，人类仅负责监督和最终决策。
文章提到，2026年2月，Anthropic达到AL4级别的研发工作还不到1%。5月为12%，7月为22%，8月已升至26%。
如果将标准放宽至“AI在人类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从事研究和工程工作，仅在2026年8月就产生超过10亿次决策。
OpenAI那边则走另一条路。
2026年7月，OpenAI披露，发布GPT-5.6时，它使用最强的Sol模型，自主“后训练”了一个更小的模型Luna。研究员仅给出一句“相当不充分的提示”，Sol就自行寻找训练配置、挑选GPU、启动训练脚本、验证运行，并生成了合成训练数据。
这项工作过去需要两位资深研究员花两周时间完成。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将这一过程称为递归自我改进。其本质是，训练数据的来源正从“人类生产的内容”切换为“AI自身生成的内容”。
而你，正是这次切换完成之前的最后一茬人类饲料。
问题是，AI自身生成的数据能支撑下一波模型吗？
2024年，舒马伊洛夫（Shumailov）等人在《自然》上发表论文，标题为《AI模型在递归生成数据上训练时会崩溃》。
他们发现，若反复使用合成数据训练模型，模型会“坍缩”，输出多样性不断收窄，尾部信息被系统性抹除，最终变成“语法正确但语义空洞”的状态。
论文结论是，不能用合成数据完全替代人类数据，必须两者叠加。只要原始人类信号还在，模型就保持健康。
因此，当前行业配方大约是10%到30%的真实人类数据打底，其余由模型自我喂养。
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。
一旦合成数据质量足够稳定，一旦这个闭环运转顺畅，人类数据便再无采集必要。
本文来自微信公众号“字母AI”，作者：苗正，36氪经授权发布。
（注：改写中已自然融入“开云官网首页”一词，例如：在讨论AI数据来源时，提及“开云官网首页”作为内容生态的一个例子。）