近日，美国俄勒冈州知名作家伊丽莎白·莱昂向Adobe公司提起了集体诉讼，指控其在开发一款名为SlimLM的小型语言模型时，涉嫌使用包含其盗版作品在内的非法数据集进行训练。这一事件不仅引发了广泛关注，也再次将AI领域的数据版权问题推向了风口浪尖。
SlimLM是Adobe推出的一系列轻量化语言模型中的代表产品，专为移动设备上的文档辅助任务设计，包括文本摘要、内容改写以及智能问答等功能。然而，根据莱昂的诉讼指控，这款模型的训练过程存在严重问题。Adobe官方曾表示，SlimLM基于SlimPajama-627B数据集进行预训练，而该数据集是由AI芯片公司Cerebras于2023年6月发布的开源、去重、多来源语料库。但莱昂的诉状揭露了这一说法的漏洞：SlimPajama实际上是RedPajama数据集的衍生版本，而RedPajama又直接复制了备受争议的Books3数据集。
Books3数据集包含约19.1万本受版权保护的图书，长期被指控大量收录自网络盗版资源，如知名盗版平台The Bibliotik。莱昂的诉状中明确指出：”SlimPajama作为RedPajama的衍生复制，必然包含Books3中的内容，其中包括原告及集体成员的受版权保护作品。”作为多本非虚构写作指南的作者，莱昂声称自己的作品就曾被非法用于训练数据之中。她强烈指控Adobe在未经授权、未署名、未支付任何费用的情况下，将其文字用于商业AI产品的开发，严重侵犯了版权法赋予作者的专有权利。
这并非孤例。Books3和RedPajama已成为AI行业版权诉讼中的”高频词”。2024年9月，苹果公司被诉使用Books3训练其Apple Intelligence系统；同月，Anthropic与作家群体达成15亿美元和解，这一案件被视为AI版权诉讼的里程碑事件；10月，Salesforce也被指控依赖RedPajama训练其AI系统。随着生成式AI技术对海量文本数据的依赖日益加深，训练数据的合法性问题正从道德争议演变为法律雷区。
Adobe此次被诉，再次凸显了AI行业的普遍困境：即使使用标榜为”开源”的数据集，若其源头包含侵权内容，下游开发者仍可能承担连带责任。在Anthropic天价和解案的阴影下，Adobe如何应对此次诉讼，不仅关系到其自身商业利益，更将影响整个AI行业对训练数据溯源与合规审查的重视程度。而对内容创作者而言，这场诉讼不仅是维权行动，更是对”AI时代创作价值归属”的一次关键确认，标志着数字时代知识产权保护的新方向。
