导语
这起案子现在不只是“AI 能不能拿新闻训练”的问题了。更像是双方打官司时，一方说：你厨房里到底有哪些食材、做菜时有没有照着我的菜谱来，你得把记录拿出来；另一方说：记录太多、太敏感，也不好查。现在，《纽约时报》《纽约每日新闻》和其他媒体机构指控 OpenAI 早就能查这些记录，却在诉讼中说自己做不到。
这就是 OpenAI 版权案的最新升温点。争议从训练数据本身，推进到了证据披露——诉讼中一方向另一方交出相关材料的程序。在 AI 案件里，这些材料可能包括训练语料、用户对话、内部检索工具和模型输出记录。需要先说清楚：下面许多具体说法来自 TechCrunch 对诉讼进展的报道，属于原告方 allegations，也就是指控和主张，并非法院最终认定；《纽约时报》自己的报道也印证了“多家出版方要求法院惩罚 OpenAI”这一层，但 The New York Times 本身是诉讼当事方。
争的不是一句话，而是一整套记录
这场诉讼已经持续约两年。核心指控是：OpenAI 在训练生成式 AI 模型时使用了《纽约时报》的内容，并且 ChatGPT 在用户输出中复现了其新闻作品，涉嫌侵犯版权。生成式 AI 需要大量文本训练，出版方的担心也很直观：如果新闻内容被拿去训练，模型又能在回答里复述这些内容，那这到底是学习语言规律，还是未经许可地商业使用作品？
OpenAI 的重要抗辩之一是 fair use——美国版权法里的“合理使用”。AI 公司常用它为训练行为辩护，意思大致是：即使使用了受版权保护的材料，也可能因为用途、方式和影响等因素而合法。出版方则认为，这不是零星引用，而是系统性商业利用。
但这一次，焦点不在 fair use 本身，而在“证据能不能被完整看到”。据 TechCrunch 报道，OpenAI 在案件中曾主张，自己无法搜索训练语料库；同时也表示，检索或提交大规模 ChatGPT conversations——用户与 ChatGPT 的对话日志——技术负担很重，并且涉及用户隐私，因为日志需要被提取、处理和去标识化。
出版方要这些材料，是为了判断两件事：他们的新闻作品是否出现在 OpenAI 的训练数据里；ChatGPT 是否、以及多频繁地使用或复现了这些作品。
原告说：你其实早就能查
转折出现在 4 月一次法院命令下的取证。取证可以理解为诉讼中的“盘账”：双方在法院规则下询问证人、调取材料，为后续审理做准备。
据 TechCrunch 报道，OpenAI 数据隐私工程师 Vinnie Monaco 在取证中被称披露，OpenAI 其实已经内部搜索和评估过训练语料，用来查找受版权保护的新闻作品。如果这一说法成立，它会直接冲击 OpenAI 此前“无法搜索训练语料库”的说法。
更关键的是对聊天日志的说法。Monaco 的证词据称显示，在 The New York Times 起诉前，OpenAI 已经积累了约 78 million 条去标识化 ChatGPT conversations，并用于内部评估侵权程度。去标识化的意思是去掉或处理掉可识别用户身份的信息，尽量让对话记录不直接对应到具体个人。
TechCrunch 还报道称，OpenAI 在诉讼提交后不久，在一套名为 Project Giraffe 的工具中实现了 Bloom filter。Bloom filter 是一种快速判断“某个东西可能在不在集合里”的数据结构，常用于大规模检索。放在这里，它被描述为用于检测并记录模型输出中的 regurgitation。regurgitation 在 AI 版权语境里通常指“复现”或“原样吐出”训练材料，而不是只学到一般表达方式。
说白了，原告现在的逻辑是：OpenAI 一边说相关数据难查、难给，一边内部已经有数据库和工具在做类似事情。
20 million 条日志为什么成了新战场
聊天日志样本是这轮争议的中心之一。
据 TechCrunch 报道，原告最初要求 OpenAI 提供 120 million 条聊天日志样本，后来双方协商降到 20 million。OpenAI 去年 12 月向法院提交了这 20 million 条样本，但原告称其中大量内容被涂黑，法院据称也称其为 unusable，也就是“不可用”。
原告还声称，OpenAI 在起诉后删除了 billions of ChatGPT outputs，违反法院 preservation order。preservation order 是法院要求当事方保存相关证据的命令，目的就是防止一方在诉讼开始后把关键材料删掉。原告还称，OpenAI 替换了样本中的 millions of logs。
这些说法如果只是技术细节，可能听起来很远。但在诉讼里，它们很要命。版权案最终要讨论训练是否合法、输出是否复现作品；而判断这些问题，很大程度要依赖训练数据、模型输出和内部记录。如果证据样本本身被认为不可靠，案件就会从“事实怎么解释”变成“事实有没有被完整拿出来”。
出版方要法院做什么
据 TechCrunch 报道，The New York Times、The Daily News 等出版方正在请求法官惩戒 OpenAI，理由是其涉嫌扣留证据、干扰证据披露程序。《纽约时报》自己的报道称，《纽约时报》《纽约每日新闻》和其他出版方要求法院 penalize OpenAI，也就是要求法院惩罚 OpenAI。
他们的请求包括：禁止 OpenAI 将这 20 million 条聊天日志样本作为证据使用，因为原告认为样本不可靠；要求 OpenAI 支付原告为追查这些证据而产生的法律费用。TechCrunch 还提到，原告提出的部分请求涉及让法院接受某些关于 ChatGPT 日志会显示复现和依赖原告内容的事实，但供稿中该处材料有截断，不能把这部分扩写成确定结论。
OpenAI 否认这些指控。据 TechCrunch 报道，OpenAI 发言人 Drew Pusateri 称这些说法“blatantly false”，并指责 The Times 在案件变弱后仍试图获取与案件无关用户的私人对话。OpenAI 还表示会继续保护用户隐私，并维护 fair use 原则。
这也解释了 OpenAI 的防线：它不只是说“我们没隐瞒”，还把问题拉回隐私和合理使用。对一家运营 ChatGPT 的公司来说，用户对话日志确实是高度敏感的材料；但对出版方来说，如果没有这些日志，就很难证明模型到底有没有复现其作品。
为什么值得关注
这件事值得看，不是因为它已经证明 OpenAI 侵权，也不是因为法院已经认定 OpenAI 隐瞒证据。材料里没有这样的结论。
它重要在于，生成式 AI 版权诉讼正在进入更具体、更硬的阶段。早期争论常停留在原则上：训练算不算复制？fair use 能不能覆盖大规模训练？出版方有没有被替代？而现在，法院攻防开始落到更实际的问题：训练语料能不能查？用户输出能不能抽样？公司内部是否已经评估过复现风险？提交给法院的证据是否可信？
这会影响的不只是一个案子。如果法院更严格要求 AI 公司披露训练和输出相关证据，未来类似诉讼的成本、节奏和攻防方式都会改变。反过来，如果隐私和技术负担成为强有力的抗辩，出版方要证明模型复现内容，也会更难。
换句话说，这场版权案正在从“AI 学了什么”推进到“我们怎样证明 AI 学了什么”。后一个问题更枯燥，却可能更决定案件走向。
局限与未知
- 法院是否会采纳出版方的制裁请求，供稿材料中没有结果。
- OpenAI 的完整回应、法院文件原文和法官对证据争议的具体判断，材料中缺失。
- 多数具体数字和工具细节来自 TechCrunch 对原告主张的报道，应视为诉讼指控，而非已被法院确认的事实。