AI 模型训练的版权争议，正在从“训练本身是否构成合理使用”，转向一个更难绕开的问题：训练材料从何处取得，企业能否把来源讲清楚。
8月28日，索尼音乐出版（Sony Music Publishing）、华纳查佩尔音乐（Warner Chappell Music）及多家关联音乐出版商在美国加州北区联邦地区法院起诉 Anthropic 及其两名联合创始人。起诉状称，Anthropic 为开发和运营 Claude，曾大规模通过 BT 下载、抓取和下载受版权保护作品；被指涉的材料包括含歌词、曲谱的书籍及音乐作品。Anthropic 已向媒体表示不同意原告主张，并将积极应诉。
它把模型公司最容易被忽略的一段流程摆到了台前：数据进入训练集之前的取得、清洗、留存和授权链条。
争点从训练环节前移到取得环节
索尼和华纳在起诉状中提出四项请求：围绕涉嫌 BT 下载的直接侵权主张、针对两名个人被告的帮助侵权主张，以及针对 Anthropic 的直接侵权主张和版权管理信息被移除或更改的主张。原告同时请求陪审团审理、损害赔偿、销毁侵权复制件，并要求披露相关训练数据情况。
损失金额最终能否获得支持，还要经过美国版权法下的法定赔偿上限、故意侵权认定、每项作品如何计算等程序环节。对法务团队更有参考价值的是原告铺陈事实的方式：把“以非法方式取得作品”与“随后用于训练和建库”放在同一条因果链上陈述，而不是单独讨论训练环节。
这条路径与 Bartz v. Anthropic 的阶段性裁判形成了直接呼应。2025年6月，加州北区法院在该案中区分了两类使用场景：依法取得的图书用于模型训练，与保存盗版复制件建立通用资料库，法院认为训练用途具有高度转换性；但盗版来源的复制件，不能因为后续可能服务于转换性用途，就当然获得合理使用的豁免。之后，该案以15亿美元和解收场，未形成上诉层面的普遍约束规则，但“来源”作为一个事实变量已经写得相当具体。
数据清洗留下了什么，法院会问
音乐出版商还主张，相关流程可能去除了作品标题、作者或版权标识，却保留了歌词等表达内容。该项主张尚待法院认定，但它点出了一个常被误解的地方：数据清洗并不天然中性。
如果清洗的目的只是去重、格式统一或降低噪声，工程记录仍应能说明原始数据、处理规则和留存边界。若流程同时抹去了权利归属、来源链接、许可条件或使用限制，企业日后要回答的就不只是“训练是否侵权”，还包括自己是否履行过来源核验和权利管理义务，而后者往往要靠留痕来自证。
尤其在内容、出版、音乐、图片、法律数据库等高权利密度领域，采购了一个数据集、接入了一个爬虫，或从公开网页抓到了文本，都不等于取得了可用于模型训练、微调、检索增强或再分发的完整授权。合同许可范围、平台条款、技术限制、权利人声明和实际抓取行为，往往需要放在一起看。
采购模型时，合同里要写清的几件事
不少企业做生成式 AI 采购时，把重点放在输入数据会不会被模型用于再训练、是否支持私有化部署、输出能否商用。这些问题当然要问，而这宗诉讼提示采购清单还应加进一组更前置的问题：供应商训练数据的来源政策是什么？对高风险语料是否有授权、排除或退出机制？出现争议后，供应商能否提供审计线索、赔偿承诺和处置方案？
对于把模型嵌入内容生产、知识检索或对外服务的企业，合同中至少应写明：训练和微调数据的权利保证边界；第三方索赔的通知、抗辩和赔偿安排；供应商删除、停用或替换争议数据及相关功能的义务；因禁令、模型下架或服务中断导致的迁移支持；以及日志、版本和数据处理说明的保存期限。
这不等于要求每个使用模型的企业去审计全球训练语料，用户通常也拿不到这样的能力。可行的做法是把风险分层：对通用办公辅助工具，重点确认合同保证、数据不用于训练和退出路径；对面向客户的内容生成、音乐素材、图片生成、专业知识问答等场景，则应把供应商尽调、输入来源核验、输出复核和投诉处理做得更实一些。
输出端拦截补不上输入端的来源缺口
模型公司常用版权过滤、提示词限制和投诉机制来降低输出端风险。这些控制有价值，尤其能减少用户直接索取长段歌词、完整曲谱或高度近似内容的情形，但它们覆盖不到全部场景。
如果争议集中在数据取得和资料库留存，输出端设一道拦截并不能回溯修复输入端的来源缺口。企业的合规工作因此要从“生成后删什么”往前推进到“入库前为什么能用、入库后如何追溯”。对模型供应商如此，对自行做内部微调、知识库建设或网页采集的企业也是如此。
判决未到，可以先动的手
目前案件刚刚起诉，原告的指控并不等于法院认定，Anthropic 也已明确否认相关主张。它是否会和解、法院如何处理个人被告责任、各类作品和数据源之间如何对应，都还有很长的程序要走。
但采购端的变化已经出现：生成式 AI 的竞争不再只有模型能力、算力和价格，训练数据的权利链条也会逐渐成为可审计、可定价的商业条件。对法律、合规和采购团队来说，可以先行的一步是把自己手里的数据流画出来：哪些来自自有资料，哪些来自授权库，哪些来自公开网页，哪些缺少来源记录。那张图，在谈判和应诉时通常比一份笼统的“AI 合规承诺”更用得上。