梁振輝 香港資深出版人

「網絡爬蟲（web crawler）」是一個AI技術術語——一種自動瀏覽全球資訊網的程式，其主要目的是抓取網頁內容，並將這些內容儲存起來供日後使用。此舉是否不違法呢？

AI利用「爬蟲」方式在網絡上抓取所需資訊無疑方便、省時兼省錢。然而，AI通過改寫後生成的輸出，即便列舉引用（一般提供超連結），亦有可能構成侵權，後果可大可小。以下是近幾星期的三則相關報道：

1.Anthropic盜用700萬本書以訓練其語言模型Claude，正面臨版權擁有者兆元級盜版訴訟。

2.Perplexity被《華爾街日報》與《紐約郵報》控告侵犯版權。

3.「日本讀賣新聞社」於東京地方法院向Perplexity提起訴訟——指出該AI於2025年2月至6月期間，在未經授權下從它們的文章，取得所需資料，數量高達119,467篇；並在回覆用戶查詢中使用與原文類似的內容，侵犯了著作權法上的複製權與公眾傳送權。此舉威脅新聞業版權和商業利益；除即時禁止該AI使用及刪除相關內容外，並要求其作出賠償。

就在今年年初，DeepSeek引發全球AI熱之際，筆者曾向多家中外AI查詢：

1.大型語言模型進行文本資料訓練的資料從何而來？

2.AI摘取網頁內容且列明出處會否構成侵權？

上述問題的回覆綜合如下：

大型語言模型利用龐大的文本資料進行訓練，這些資料來自：

•開放網絡資料（如：維基百科、百度、公開論壇、Instagram、YouTube、新聞網站）

•開放授權資料

•公有領域書籍或文獻

•合作夥伴或授權的專業資料集

這些資料並不是完全沒有版權，除了：

•公有領域或開放授權

•雖有版權，但被認為可以在公平使用原則（Fair Use）下用於訓練

如果AI只是摘取網頁內容並列明出處，通常不構成侵權，是因為：

•屬於「合理評論/新聞報道」性質

•不會完整複製原文，只屬轉述與重新表達；但若AI逐字複製或大量展示受版權保護的內容，即使有列明出處，也可能構成侵權。

總而言之，列明出處不等於自動合法，但目前法律對於「用於AI訓練是否屬於合理使用」仍有爭議。基本上，所查詢的AI均表示認同侵權問題的存在性，那為何仍明知故犯呢？無他，資料來源不離：

書籍——涵蓋各種類型和主題的各種文本。

網站——不同領域和主題的網站的文本。

所需資訊量龐大，致令AI無從自家編寫專有數據；在大勢所趨下，AI不得不訴諸「竊取」受版權保護的資料。這個問題本質上是無法解決的，AI只能「見招拆招」，在被追究後與版權所有者協商版權問題。

筆者在出版界及報界打滾逾四十年，如果從版權角度去看現時「AI爬蟲」的手法，界定為不違法是一個冠冕堂皇卻實則瞞天過海的講法。AI在大部分情況下未經版權所有者同意，便進入人家的地頭「爬蟲」。在瀏覽一番後，如看到適用的就拿回去備用；到了有相關的查詢時，AI便東拼西湊、再來個綜合改寫，一份得體且附上引文超連結的文稿就此輕鬆生成。為此，不少媒體已形容那些極其倚重「爬蟲」的AI為小偷。誠然，世上沒有免費午餐，目前愈來愈多來自各方的版權所有者已不像從前般任由牟利的AI無度地侵蝕其利益，還有不少國家已着手立法去遏止相關歪風。如此看來，「過咗海就係神仙」的日子已在不知不覺間倒數了。