OpenAI被曝已建7800万条数据库查侵权，曾称无法搜索

《纽约时报》和《每日新闻》指控OpenAI在版权诉讼中隐瞒证据。OpenAI此前辩称，自己无法搜索训练语料库，且搜索或提供大量ChatGPT对话记录在技术上负担重，还涉及用户隐私问题。

2025年4月，OpenAI数据隐私工程师Vinnie Monaco在法院指定证词中透露，OpenAI已经对训练语料库进行内部搜索，查找受版权保护的新闻作品。早在《纽约时报》提起诉讼前，OpenAI就建立了一个约7800万条去标识化的ChatGPT对话数据库，用于内部评估侵权程度。

诉讼提起后不久，OpenAI还实施了一个名为“Bloom”的过滤器，作为“Project Giraffe”工具集的一部分，用于检测并记录输出中的内容重复。

原告最初要求OpenAI提供1.2亿条聊天记录样本，经协商降至2000万条。OpenAI于2024年12月提交，但样本中大量删节，法院认为“不可用”。原告还指控OpenAI在诉讼后删除了数十亿条ChatGPT输出，直接违反法院保存令，并用数百万条日志替换了请求样本中的内容。

如果这些指控属实，意味着你与ChatGPT的对话可能被用于版权审查。Bloom过滤器也可能因检测重复而影响AI回复的完整性和准确性。

原告请求法院对OpenAI进行纪律处分：禁止OpenAI使用2000万条样本作为证据；要求法院接受ChatGPT日志会显示大量内容重复；禁止OpenAI辩称样本未显示实质性重复；并要求OpenAI支付法律费用。

OpenAI发言人Drew Pusateri否认指控，指责《纽约时报》试图在案件弱化时侵犯无关用户的隐私。他说会继续维护用户隐私和合理使用原则。

目前不清楚法院是否会支持这些请求。OpenAI内部数据库的具体内容、Bloom过滤器对普通用户的影响，也尚未公开。