发生了什么
《卫报》援引通过信息自由请求取得的牛津大学内部文件报道，牛津博德利图书馆与 OpenAI 合作中完成数字化的历史材料，已被用于「填充 OpenAI 的训练集」。牛津大学与 OpenAI 于 2025 年 3 月公布该合作时，表述为测试公共领域馆藏的大规模数字化、让此前难以获取的材料对学生与研究者可检索，未提及模型训练用途。
- 截至 2025 年 6 月，博德利图书馆已向 OpenAI 提供约 12.5 万张 19 至 20 世纪欧美高校博士论文的扫描图像
- 同期数字化对象还包括约 1 万份都铎王朝时期的单页歌谣，内容含歌词与乐谱
- 内部讨论中的后续候选包括多萝西·霍奇金关于青霉素的笔记、18 世纪爱尔兰政府文书与小说家玛丽亚·埃奇沃思的私人信件
- 牛津是 OpenAI 校企合作计划 NextGenAI 中唯一的英国成员，该计划还包括麻省理工、波士顿公共图书馆、加州理工与密歇根大学
校方回应与员工关切
牛津大学发言人称，涉及的数字化材料「规模有限且均已过版权保护期」，OpenAI 的使用「非独家」，博德利图书馆保留扫描件的权利，并将在未来数月内免费公开上线。校方不认可「隐瞒机器学习用途」的说法，表示数字化是主要目标，同时工作人员一直公开说明该项目也会贡献训练数据。
会议纪要显示，包括图书馆治理委员会成员在内的工作人员，对与 OpenAI 合作带来的声誉风险，以及能源密集型技术同大学环境承诺之间的冲突提出担忧。合同还涉及博德利图书馆 2300 万件馆藏进一步数字化的可能，以及一款名为 Ask the Bod 的问答机器人设想。
为什么重要
这条线索的价值在于把「训练数据从哪来」拆成四个权利层次：原始作品的归属、作品的版权状态、数字化复制件的权利，以及把数据用于模型训练的许可。对握有馆藏的机构而言，档案正在从公共资源变成可被授权、可被交易的资产；对模型厂商而言，公开网页越来越多被 AI 生成内容污染，物理与历史馆藏成为稀缺的干净数据来源。合作的治理条款——训练用途、排他性、留存、公开与署名——因此成为后续同类协议的必谈项。
不确定之处
- OpenAI 未公开该合作的具体数据条款，训练集实际纳入的规模与范围仍不清晰
- 校方称公开上线扫描件在「数月内」完成，目前尚无明确时间表；候选名单中的材料是否已提供亦无确认
- 该披露来自信息自由请求与媒体转述，属于合作透明度的争议，而非版权侵权的司法认定