公告说让全球可检索，文件说填进训练集

一份信息公开取得的会议纪要，说出了一个公告没有写的用途。

落差在两句话之间。 9 月 26 日，卫报报道牛津大学允许 OpenAI 用博德利图书馆的历史文献训练模型，依据是内部文件：The Bodleian material digitised by OpenAI has been used to “populate the OpenAI training set”1。同一篇报道里，牛津 2025 年 3 月宣布这项合作时的公告，说的是另一件事。

两份公告的用词可以逐字对。 牛津 2025 年 3 月 4 日的公告写：The collections which have previously been unavailable online, will become searchable and accessible for students and researchers worldwide——此前无法在线上获取的馆藏，将变得可被全球的学生与研究者检索和访问2。OpenAI 同日的 NextGenAI 发布稿写，博德利「is digitizing rare texts and using OpenAI’s API to transcribe them, making centuries-old knowledge newly searchable by scholars worldwide」3。两份公告讲的是同一个动作（数字化）和同一个好处（可检索、可访问），两份公告里都没有出现 train、training、training data 这类词。

已经交出去的那部分是有数字的。 卫报写，截至 2025 年 6 月，125,000 张历史学位论文扫描件已从博德利馆藏交给 OpenAI，其中包括 19 至 20 世纪欧美大学的博士论文；另一批是 10,000 件 16 世纪的 broadside ballads，上面有歌词和乐谱；牛津 2025 年 3 月的公告把试点范围写成 3,500 份 1498 至 1884 年的全球学位论文12。还有一批材料只出现在会议纪要的讨论里，没有对应的交出记录：18 世纪爱尔兰公文、小说家 Edgeworth 的私人书信（卫报写作 Marie Edgeworth，通行的名字是 Maria Edgeworth）、Dorothy Hodgkin 的青霉素笔记，以及一个叫「Ask the Bod」的聊天机器人1。这个试点由 OpenAI 出资，属于双方五年合作与 NextGenAI 联盟的一部分，它的启动时间是 2025 年 2 月4；牛津是这个联盟里唯一的英国成员，美方成员包括波士顿公共图书馆、Caltech、MIT 与密歇根大学3。

权利和条件是分开写的。 牛津发言人对卫报说的这几句可以逐字核：规模是 modest in scale、只覆盖 out of copyright 的材料、OpenAI 的使用不是独家的；博德利保留自行公开这批数字化材料的权利，并将在「未来几个月内」开始公开上线1。发行方那一侧，OpenAI 发言人只说公司「proud」，理由是让今天的模型把世界的历史知识留给未来1。会议纪要记下的员工顾虑则是声誉风险，以及这份涉及高能耗技术的协议与大学环境承诺的关系1。

这份协议站在一条正在被划出来的边界上。 边界的一侧是公共领域。微软副总法律顾问 Burton Davis 对美联社解释过为什么先从这一侧入手：「It is a prudent decision to start with public domain data because that’s less controversial right now than content that’s still under copyright.」5 波士顿公共图书馆数字与在线服务的 Jessica Chapel 讲的是同一件事的另一面：「OpenAI had this interest in massive amounts of training data. We have an interest in massive amounts of digital objects.」5 边界的另一侧在收紧：2024 年 9 月 4 日，美国第二巡回上诉法院在 Hachette 诉 Internet Archive 案中判定，把仍在版权期内的印刷书整本扫描并全文在线分发不构成合理使用，判决写的是 we conclude the answer is no. We therefore AFFIRM6；而 2015 年第二巡回在 Google Books 案里认定，为检索功能制作整本数字副本属于转换性使用，商业动机不构成否定理由7。Anthropic 在版权诉讼中的 15 亿美元和解已于 2026 年 7 月 20 日获得终审批准8，那条界线划在「怎么拿到这些书」，而不是「拿它们做了什么」。

同一条落差还出现在别的地方。 卫报这篇报道提到，书商报过一批冷门书的集中订单；Anthropic 花数千万美元买书、切掉书脊扫描后化浆，它说自己不买也不毁掉珍本；404 Media 把追踪器放进二手书订单里，跟到美国一处亚马逊设施1。Oxford 这份协议里，博德利的馆藏保持完整1。同样是把纸上内容变成可检索的文本，处置方式分成两种：一种把馆藏留在原处、只授权使用扫描件，另一种让载体消失、只把内容抽走。

能核到什么程度，也要写清楚。 卫报没有写信息公开申请由谁提出、向谁提出，也没有给内档的文件名、日期与撰写人；这些原件目前不可公开取到，所以「populate the OpenAI training set」这句话现在只有卫报的转述这一个来源1。馆藏规模还有一处口径不一致：卫报写 23m items，博德利自己的项目页写 approximately 14 million printed items，并另外提到 23 座馆舍14。报道发出后，到本文写作时没有第二家媒体自采跟进，可见的只有授权转载与编译；牛津与 OpenAI 也都没有另外发布声明。

落点是几栏可以在签字之前写住的字。 用途那一栏先写：这批材料进不进模型训练，公告里写不写。权利那一栏写清楚：扫描件归谁，机构能不能自己再开放。时间那一栏写到具体日期，而不是「数月内」。边界那一栏回答一个问题：这些材料是公共领域，还是仍在版权期内。这四栏填完，一份机构数据协议才算把用途交代清楚——博德利这批扫描件的用途栏，现在还是空的。