6 年成果，被爬取200+ 萬次，僅索賠1 元？ AI 大模型被指控“偷”數據，學而思最新回應

整理：鄭麗媛

出售方：CSDN（ID：CSDNnews）

上個月，學而思曾透露消息稱，目前其正在自研數學大模型MathGPT，即面向全球數學愛好者和科研機構，以數學領域的解題和講題算法為核心打造而成。

彼時許多人感慨，“理科生”版的ChatGPT 終於要來了。

不曾想，MathGPT 還未真正面世，有關它的“醜聞”就先一步爆發了：本週二，筆神作文App 指控學而思通過“爬蟲”技術，非法訪問、緩存其服務器數據多達258 萬次，以此開發MathGPT 的新產品“作文AI 助手”。

6 年成果，一個週末被爬取超200 萬次

此次事件的主角之一，筆神作文，是一個成立於2017 年12 月的K12（從幼兒園到12 年級的教育）作文教育平台，隸屬於北京一筆兩劃科技有限公司。

當時的AI 市場遠不如現在火爆，筆神作文卻憑藉其“用人工智能技術，幫助寫作者提升寫作能力”的特色，在2018 年1 月獲得了真格基金數百萬元種子輪融資，後來又在2019 年7 月完成了數百萬天使輪融資。

根據官方資料顯示，筆神作文上線六年，每月會收到超過30 萬篇作文投稿和超過40 萬次的點贊評論，積累了數百萬篇作文素材，月批改作文量超3 萬篇。

而伴隨著去年年底ChatGPT 的橫空出世，筆神作文的投資方之一世紀天鴻曾表示，“筆神”與ChatGPT 技術同源，都是採用基於Transformer 的最新算法作為AI 模型底層。筆神作文創始人宋嘉偉也曾介紹道：“一筆兩劃目前團隊有超過60% 為技術研發人員，在成立公司之前該團隊就曾創立過NLP 類公司，部分骨幹在自然語言理解領域合作並深耕多年。”

因此整體而言，筆神作文的算法模型為一筆兩劃公司自研訓練，其平台的大數據來自於自身累積。

因其在寫作方面的技術積累和顯著成果，三年前筆神作文與學而思达成了合作：與學而思旗下的學習工具App “題拍拍”簽約，主要負責提供作文素材查詢服務。

而作為合作夥伴，本週筆神作文表示：在4 月13 日發生了一件我們都沒有預想的事情，我們團隊從創業以來的6 年成果，被合作多年的“學而思”在短短一個週末的時間爬取了超過兩百萬次！

訴求：1 元賠償金，公開道歉並刪除數據

從筆神作文官方微博的聲明來看，本身它沒有完備的數據安全機制，而對於“合作夥伴”學而思，更是沒有設置全部的提防，從而導致三體雲聯公司（學而思子公司）利用這份信任，即：在未經筆神作文APP 授權許可的情況下，在2023 年4 月13 日至4 月17 日期間通過“爬蟲”技術非法訪問、緩存筆神作文APP 服務器數據多達258 萬次。

對此，筆神作文主張該行為違反了雙方的合同條款，更違反了《數據保護法》第三十二條“任何組織、個人收集數據，應當採取合法、正當的方式，不得竊取或者以其他非法方式獲取數據”的規定，嚴重侵犯了筆神作文APP 的數據權益。

事後，筆神作文向學而思進行了求證，對方直接承認是他們的算法組在爬取數據並作為己用。因此筆神作文發送了律師函，卻沒有得到對方的實質性回复，而此時學而思的AI 大模型MathGPT 卻即將上線新產品“作文AI 助手”。

“我們作為一家體量遠小於'學而思'的公司已經別無他法，只能通過法律途徑來維護我們的權益。”但筆神作文在聲明中也指出，目前的法律法規並沒有【AI 大模型數據盜取】的判決先例，因此只能“勇敢地走出這第一步”。

至於筆神作文的訴求，實際上也並非是索要大額賠償金：只想要學而思支付1 元賠償金，公開道歉並刪除已爬取的數據。

對此，筆神作文解釋道：“數據是有價值的，但我們心血更是無價，索賠1 元是因為公平公正並不能用金錢衡量，我們希望通過訴訟告訴社會這種行為是錯誤的。人工智能行業的發展，靠的是共同創造，而非覬覦和剽竊他人的成果。”

確實正如筆神作文所說，其體量並不大，因此這封聲明也並未引起太多關注，不過僅有的幾條評論中都在譴責學而思的行為。

學而思回應：均符合合同要求

經多家媒體報導後，這起事件逐漸發酵，於是昨晚學而思官方微博也對此發文回應：

首先，MathGPT 是專注於數學領域的自研大模型，沒有任何作文相關數據；其次，“作文AI 助手”目前處於開發狀態，尚未發布，該服務並未使用筆神作文的任何數據。

而筆神作文聲稱被爬取二百多萬次的數據，學而思指出合同中明確過“每月保底費用包含的調用次數為百萬次量級”，其調用的接口“屬於雙方合同約定的正常合作範圍”。

在回應的最後，學而思強調其“一直尊重知識產權、重視知識產權保護”，所有行為均嚴格按照合同約定履行，但是：“筆神作文的公開聲明已經對學而思品牌聲譽造成了傷害，我們將保留追究其名譽侵權責任的權利。”

AI 訓練數據的版權問題

從目前雙方給出的聲明來看，此次糾紛還不能給出最終結論，但這也揭示了近來日益火熱的AI 大模型角逐下，一個容易被忽略卻又十分重要的盲點：AI 訓練數據的版權問題。

事實上，最近在外網鬧得沸沸揚揚的“美版貼吧” Reddit 強制對API 進行收費的決定也出於這個原因。

近年來Reddit 上發布的聊天內容，已成為谷歌、OpenAI 和微軟等企業訓練AI 大模型的素材，以此來開發ChatGPT 等生成式AI 產品。而伴隨著這類AI 工具的火爆，Reddit 創始人兼CEO 表示：“Reddit 的數據語料庫非常有價值，但我們不想把這些內容免費提供給一些巨頭公司了。”

繼Reddit 帶頭表態要求科技巨頭付費使用數據後，知名IT 問答網站Stack Overflow 也宣布計劃從今年年中起，向大型AI 開發商收取數據訪問費用，其CEO 也指出：“社區平台推動了大語言模型（LLM）發展，所作出的貢獻也必須得到補償。”

除了Reddit 和Stack Overflow 這類大型網站，甚至在開發者圈子中，部分程序員也因Copilot 涉嫌侵犯代碼版權宣稱要棄用GitHub：

毫無疑問，AI 大模型在變得更智能的過程中，海量的訓練數據必不可少，但從目前來看，當今AI 領域的“當紅炸子雞”OpenAI，對於訓練數據的版權問題都沒有很好的解決方案。

然而，伴隨著AI 熱潮進一步推進，這個問題又勢必要得到解決。正如北京大學計算機學院教授陳鍾所說：“可能在研發初期，大家對數據來源並不在意，但當你產生了巨大的經濟效益時，現實傳統的經濟模式、法律體係都將約束著你的行為。”

那麼對於這個問題，你又是否有什麼看法？

參考鏈接：