AI行业涌现出一个新隐喻——“Slurp juice”（吸吮果汁）。这一曾形容NFT荒谬机制的词汇，如今精准刻画了大型实验室疯狂追逐新鲜素材以喂养模型的现状：贪婪吸吮、无情消耗，一旦源头枯竭便迅速转向。
随着新模型每周密集发布，底层燃料——高质量文本、代码、图像和对话——日益稀缺。曾推动早期突破的开放网络，已无法提供同等回报。这揭示了前沿AI多年来的激进数据策略：大规模爬取、绕过付费墙、未经许可利用新闻、书籍及社交媒体数据进行训练。这种策略虽带来功能飞跃，但也引发诉讼、反爬虫措施及内部伦理警告。
在《纽约时报》起诉OpenAI和微软的版权案中，解封文件描绘了严峻图景。微软应用科学总监布伦特·赫希（Brent Hecht）称此举为“史无前例的大规模盗窃”，甚至可能是“人类历史上最大的劳动盗窃”，使“合理使用”概念沦为笑柄。OpenAI高管尼克·特利（Nick Turley）则警告出版商面临“生存威胁”。文件显示，AI产品推出后，部分新闻机构点击率暴跌51%至94%。
数据攫取规模令人震惊。仅Common Crawl一个数据集就包含来自nytimes.com的200多万份文档；中间训练集收录超9.1万份《纽约时报》等媒体作品副本。据报道，员工曾设计方法绕过付费墙，“芒果项目”和“出租车项目”更在两家公司间输送新闻内容用于训练评估。
数据干旱显现，各方加速反击
数据短缺已成现实。麻省理工学院主导、数据溯源倡议组织发布的最新研究显示，在C4、RefinedWeb和Dolma三大主要训练数据集中，5%的数据因robots.txt或服务条款限制访问，而在最高质量来源中这一比例达25%。C4数据集中近45%的数据受服务条款限制。主要作者谢恩·朗普雷（Shayne Longpre）指出：“同意率正在快速下降。”
过去一年，限制措施加速推进。Reddit已开始授权数据，谷歌每年支付约6000万美元，OpenAI据报每年支付约7000万美元。Meta首席执行官马克·扎克伯格强调，Facebook和Instagram帖子在体量及非正式多语言表达上远超Common Crawl。
新闻机构纷纷达成直接交易。阿克塞尔·施普林格集团、《金融时报》及学术出版商威利（Wiley）签署了数百万美元许可协议。Shutterstock 2024年数据许可收入达1.38亿美元。Troveo数据显示，整体AI训练数据集市场规模今年接近40亿美元，预计2030年代初将翻数倍。
新成立的数据集提供商联盟（Dataset Providers Alliance）呼吁建立“选择加入”系统，要求创作者明确同意方可用于AI训练，直接挑战“公开可用”理由。维基媒体基金会也驳斥OpenAI，指出免费内容被纳入训练隐含高昂运营成本，搭便车行为终将付出代价。
矛盾核心：公开推崇开放，私下激进爬取
AI公司并未停止行动，而是进行转型。合成数据填补部分空白，但在新颖性和边缘案例上表现不佳；倒闭企业的内部记录因捕捉真实工作过程而变得珍贵；机器人技术和物理AI需要未公开数据；社交平台的实时用户行为信号优于静态网络爬取。
然而，“饥饿感”依然存在。近期报道显示，尽管有公开声明，多家实验室的AI代理仍绕过robots.txt信号。澳大利亚广播公司向议会表示，OpenAI和Anthropic规避了退出机制，并在当地游说修改版权法以简化内容训练。谷歌则警告，若要求事先授权，AI开发将变得不可能。
行业处于矛盾中心：实验室公开推崇开放创新，私下却承认道德和商业风险；一边高价许可数据，一边在可行处继续激进爬取；一边内部警告摧毁创意产业，一边依赖其产出。
随着模型不断变大，GPT变体层出不穷，Meta、Anthropic、Google和xAi投入巨资构建更大系统。每一次进步消耗更多数据，需求每年翻倍，而高质量公共内容增长缓慢。“吸吮果汁”的时代不会永远持续。当果汁耗尽，赢家将是那些能规模化创造新高质量材料，或构建从更少数据中高效学习系统的企业。将整个互联网视为无防护自助餐的日子正在结束，同意、补偿和谨慎筛选正从障碍转变为竞争优势。