6 年成果，被爬取 200+ 万次，仅索赔 1 元？AI 大模型被指控“偷”数据，学而思最新回应
整理：郑丽媛
上个月，学而思曾透露消息称，目前其正在自研数学大模型 MathGPT，即面向全球数学爱好者和科研机构，以数学领域的解题和讲题算法为核心打造而成。
彼时许多人感慨，“理科生”版的 ChatGPT 终于要来了。
不曾想，MathGPT 还未真正面世，有关它的“丑闻”就先一步爆发了：本周二，笔神作文 App 指控学而思通过“爬虫”技术，非法访问、缓存其服务器数据多达 258 万次，以此开发 MathGPT 的新产品“作文 AI 助手”。
6 年成果，一个周末被爬取超 200 万次
此次事件的主角之一，笔神作文，是一个成立于 2017 年 12 月的 K12（从幼儿园到 12 年级的教育）作文教育平台，隶属于北京一笔两划科技有限公司。
当时的 AI 市场远不如现在火爆，笔神作文却凭借其“用人工智能技术，帮助写作者提升写作能力”的特色，在 2018 年 1 月获得了真格基金数百万元种子轮融资，后来又在 2019 年 7 月完成了数百万天使轮融资。
根据官方资料显示，笔神作文上线六年，每月会收到超过 30 万篇作文投稿和超过 40 万次的点赞评论，积累了数百万篇作文素材，月批改作文量超 3 万篇。
而伴随着去年年底 ChatGPT 的横空出世，笔神作文的投资方之一世纪天鸿曾表示，“笔神”与 ChatGPT 技术同源，都是采用基于 Transformer 的最新算法作为 AI 模型底层。笔神作文创始人宋嘉伟也曾介绍道：“一笔两划目前团队有超过 60% 为技术研发人员，在成立公司之前该团队就曾创立过 NLP 类公司，部分骨干在自然语言理解领域合作并深耕多年。”
因此整体而言，笔神作文的算法模型为一笔两划公司自研训练，其平台的大数据来自于自身累积。
因其在写作方面的技术积累和显著成果，三年前笔神作文与学而思达成了合作：与学而思旗下的学习工具 App “题拍拍”签约，主要负责提供作文素材查询服务。
而作为合作伙伴，本周笔神作文表示：在 4 月 13 日发生了一件我们都没有预想的事情，我们团队从创业以来的 6 年成果，被合作多年的“学而思”在短短一个周末的时间爬取了超过两百万次！
诉求：1 元赔偿金，公开道歉并删除数据
从笔神作文官方微博的声明来看，本身它没有完备的数据安全机制，而对于“合作伙伴”学而思，更是没有设置全部的提防，从而导致三体云联公司（学而思子公司）利用这份信任，即：在未经笔神作文 APP 授权许可的情况下，在 2023 年 4 月 13 日至 4 月 17 日期间通过“爬虫”技术非法访问、缓存笔神作文 APP 服务器数据多达 258 万次。
对此，笔神作文主张该行为违反了双方的合同条款，更违反了《数据保护法》第三十二条“任何组织、个人收集数据，应当采取合法、正当的方式，不得窃取或者以其他非法方式获取数据”的规定，严重侵犯了笔神作文 APP 的数据权益。
事后，笔神作文向学而思进行了求证，对方直接承认是他们的算法组在爬取数据并作为己用。因此笔神作文发送了律师函，却没有得到对方的实质性回复，而此时学而思的 AI 大模型 MathGPT 却即将上线新产品“作文 AI 助手”。
“我们作为一家体量远小于‘学而思’的公司已经别无他法，只能通过法律途径来维护我们的权益。”但笔神作文在声明中也指出，目前的法律法规并没有【AI 大模型数据盗取】的判决先例，因此只能“勇敢地走出这第一步”。
至于笔神作文的诉求，实际上也并非是索要大额赔偿金：只想要学而思支付 1 元赔偿金，公开道歉并删除已爬取的数据。
对此，笔神作文解释道：“数据是有价值的，但我们心血更是无价，索赔 1 元是因为公平公正并不能用金钱衡量，我们希望通过诉讼告诉社会这种行为是错误的。人工智能行业的发展，靠的是共同创造，而非觊觎和剽窃他人的成果。”
确实正如笔神作文所说，其体量并不大，因此这封声明也并未引起太多关注，不过仅有的几条评论中都在谴责学而思的行为。
学而思回应：均符合合同要求
经多家媒体报道后，这起事件逐渐发酵，于是昨晚学而思官方微博也对此发文回应：
首先，MathGPT 是专注于数学领域的自研大模型，没有任何作文相关数据；其次，“作文 AI 助手”目前处于开发状态，尚未发布，该服务并未使用笔神作文的任何数据。
而笔神作文声称被爬取二百多万次的数据，学而思指出合同中明确过“每月保底费用包含的调用次数为百万次量级”，其调用的接口“属于双方合同约定的正常合作范围”。
在回应的最后，学而思强调其“一直尊重知识产权、重视知识产权保护”，所有行为均严格按照合同约定履行，但是：“笔神作文的公开声明已经对学而思品牌声誉造成了伤害，我们将保留追究其名誉侵权责任的权利。”
AI 训练数据的版权问题
从目前双方给出的声明来看，此次纠纷还不能给出最终结论，但这也揭示了近来日益火热的 AI 大模型角逐下，一个容易被忽略却又十分重要的盲点：AI 训练数据的版权问题。
事实上，最近在外网闹得沸沸扬扬的“美版贴吧” Reddit 强制对 API 进行收费的决定也出于这个原因。
近年来 Reddit 上发布的聊天内容，已成为谷歌、OpenAI 和微软等企业训练 AI 大模型的素材，以此来开发 ChatGPT 等生成式 AI 产品。而伴随着这类 AI 工具的火爆，Reddit 创始人兼 CEO 表示：“Reddit 的数据语料库非常有价值，但我们不想把这些内容免费提供给一些巨头公司了。”
继 Reddit 带头表态要求科技巨头付费使用数据后，知名 IT 问答网站 Stack Overflow 也宣布计划从今年年中起，向大型 AI 开发商收取数据访问费用，其 CEO 也指出：“社区平台推动了大语言模型（LLM）发展，所作出的贡献也必须得到补偿。”
除了 Reddit 和 Stack Overflow 这类大型网站，甚至在开发者圈子中，部分程序员也因 Copilot 涉嫌侵犯代码版权宣称要弃用 GitHub：
毫无疑问，AI 大模型在变得更智能的过程中，海量的训练数据必不可少，但从目前来看，当今 AI 领域的“当红炸子鸡”OpenAI，对于训练数据的版权问题都没有很好的解决方案。
然而，伴随着 AI 热潮进一步推进，这个问题又势必要得到解决。正如北京大学计算机学院教授陈钟所说：“可能在研发初期，大家对数据来源并不在意，但当你产生了巨大的经济效益时，现实传统的经济模式、法律体系都将约束着你的行为。”
那么对于这个问题，你又是否有什么看法？
参考链接：
https://weibo.com/5308312222/4912235782345634?wm=3333_2001&from=10D6093010&sourcetype=weixin&s_trans=3830025800_4912235782345634&s_channel=4
https://www.36kr.com/p/1723938652161