Databricks版权侵权诉讼难以摆脱，潜在赔偿金额或高达天文数字

Databricks似乎无法从一场版权侵权集体诉讼中脱身。多位书籍作者声称，该公司的大语言模型是借助一个包含约19.6万部书籍盗版内容的数据库训练而成的。

上周，美国加利福尼亚州北区联邦地区法院法官查尔斯·布雷耶驳回了Databricks的撤案动议，裁定原告（包括多位畅销书作者及一位普利策奖决赛入围者）有充分依据继续推进针对这家数据分析平台的诉讼。

Databricks旗下大语言模型DBRX，是在其2023年收购MosaicLM后整合相关技术构建而成的。MosaicLM早期模型曾使用名为RedPajama的数据集，该数据集包含了Book3数据库的内容，而Book3已因版权侵权问题被从Hugging Face平台下架。Databricks方面的核心论点是：作者们无法证明DBRX的训练数据中实际使用了Book3。

Databricks于2023年7月完成对MosaicLM的收购，并在声明中将其描述为"以顶尖MPT大语言模型著称的领先生成式AI平台"。MosaicLM于2023年5月发布首个MPT模型，并在博客中明确指出训练中使用了RedPajama数据集。2024年3月，Databricks发布DBRX模型时表示，"DBRX的开发由此前负责构建MPT模型系列的Mosaic团队主导"。本案的关键，正在于这两个步骤之间的关联程度。

布雷耶法官在裁决中写道，原告"将其受侵权作品直接与DBRX相关联，而结合上下文来看，员工陈述提供了有力的支持性推断，尤其是与其他更为直接的陈述相互印证时，这一点更为明显。"

尽管Databricks提交了14份证人证词、数千页文件及TB级别的证据，试图证明自身并无不当行为，但布雷耶法官认为现有信息仍不充分。版权律师、倡导版权法平衡的联盟组织Re:Create执行主任布兰登·巴特勒表示："法官基本上是在说，'在我们认定你们没有从事任何侵权复制行为之前，我们需要了解更多信息。我们对实际发生了什么还不够清楚——他们一步一步究竟做了什么？'"

巴特勒还指出，若作者们能够证明侵权行为系故意为之，Databricks面临的赔偿金额将极为巨大。"版权法中的赔偿条款极为严苛，可以说是大写的严苛——每部受侵权作品的赔偿金额高达六位数，上限为15万美元。这是关乎公司生死存亡的诉讼。如果原告胜诉，所获赔偿可能足以清算这些公司的全部资产，对于Databricks这样体量相对较小的企业而言尤为如此。"

目前已有多位作者加入诉讼，其中包括青少年畅销书作者贾森·雷诺兹、斯图尔特·奥南、布莱恩·基恩，以及凭借《伟大的信徒》入围普利策奖决赛的丽贝卡·马凯。

Meta去年赢得了一场类似的诉讼，成功以合理使用原则为其LLAMA模型的训练行为进行辩护。Anthropic也在另一起案件中以相同理由胜诉，但因确实摄入了盗版书籍，同意设立15亿美元基金对作者进行补偿。

然而，Databricks至今尚未援引合理使用原则进行辩护。其此前撤案动议称原告的诉状"荒谬",认为其涵盖的行为发生在DBRX训练之前。Databricks的律师援引汽车专利作为类比："如果一家汽车公司在研发排放技术时曾使用某专利部件进行实验，但最终生产的汽车并不包含该部件，那么专利持有人能否仅凭此前的实验主张侵权？"

对此，原告方反驳称："在开发DBRX模型的过程中，Databricks多次复制了Book3的内容，直接侵犯了原告对相关作品享有的版权。按照被告的逻辑，只要AI公司未将受版权保护的书籍纳入模型最终训练数据集，就可以随意下载、存储、复制并无限期使用盗版作品。这种逻辑完全本末倒置。"

巴特勒认为，Databricks还有两条可行路径：一是援引合理使用原则——该论点在同一联邦法院已有成功先例；二是主张作者无法证明实际损害，因而不具备起诉资格。他说："也许有用的论点是：'那些书籍当时发生的一切，从未产生任何影响，对我们的模型没有任何作用，那是一个错误，我们已经纠正，它在现实中没有留下任何痕迹。那我们为什么还在这里？但我认为这是他们需要证明的事情，而他们目前还没有做到。'"

Q&A

Q1：Databricks的DBRX大语言模型为什么会涉及版权侵权诉讼？

A：Databricks于2023年收购了MosaicLM，后者早期模型训练中使用了RedPajama数据集，该数据集包含Book3数据库内容，涵盖约19.6万部书籍，其中包含大量受版权保护的作品的盗版内容。Book3已因版权问题从Hugging Face下架。由于DBRX的开发由MosaicLM团队主导，多位作者认为其作品遭到侵权，因此提起集体诉讼。

Q2：Databricks如果败诉，赔偿金额会有多高？

A：根据美国版权法的赔偿条款，每部受侵权作品的赔偿金额最高可达15万美元。考虑到本次诉讼涉及约19.6万部书籍，若法院认定侵权行为属于故意为之，理论上总赔偿金额将极为惊人，有版权律师将其描述为"关乎公司生死存亡的诉讼"，赔偿金额甚至可能足以清算Databricks的全部资产。

Q3：其他AI公司在类似版权诉讼中是如何应对的？

A：Meta和Anthropic均以"合理使用"原则成功应对了类似诉讼。Meta在涉及LLAMA模型的诉讼中胜诉；Anthropic虽同样胜诉，但承认摄入了盗版书籍，并同意设立15亿美元基金补偿作者。目前Databricks尚未援引合理使用原则进行辩护，这被视为其策略上的潜在失误。