牛津博德利图书馆藏书被曝用于 OpenAI 训练：数字化合作引发学术数据争议
据 IT之家援引英媒《卫报》消息，牛津大学允许 ChatGPT 开发商 OpenAI 使用其博德利图书馆的部分历史典籍，用于人工智能模型训练。博德利图书馆是牛津大学主要研究图书馆，也是英国规模仅次于大英图书馆的第二大图书馆。来源显示，牛津大学曾在 2025 年 3 月宣布与 OpenAI 合作，借助其软件推进馆藏数字化，公开说法强调方便学生和研究人员查阅文献；但一份内部文件显示，由 OpenAI 完成数字化的部分馆藏已被用于“构建 OpenAI 的训练集”，这使合作的机器学习用途受到外界关注。
从“文献数字化”到“训练数据”：争议焦点在哪里
这起事件的核心并不只是图书馆是否应该数字化，而是公共学术资源在进入商业 AI 训练流程时，边界如何界定。来源提到，牛津大学在宣布合作时主要强调文献开放与研究便利，并未在公告中突出这些资料会被用于训练 OpenAI 模型。随后，根据《信息自由法》调取的会议纪要显示，校内包括博德利管理委员会成员在内的教职员工曾表达担忧，认为合作可能带来声誉风险，同时也关注 AI 相关高能耗技术与大学环保承诺之间的冲突。
OpenAI 方面则表示，很荣幸能够促成当今 AI 模型“为后世守护人类历史文化瑰宝”。其发言人还称，全球已有超过十亿人在日常生活中使用相关技术，因此让模型反映不同文化、历史和视角十分重要。牛津大学方面否认向公众和学生隐瞒机器学习用途，称数字化确实是学校的核心诉求，但教职员工始终明确承认项目会为模型提供训练数据。
哪些资料被纳入合作范围
来源显示，截至 2025 年 6 月，博德利图书馆已向 OpenAI 提供 12.5 万份历史学位论文的扫描影印页，内容涵盖 19 至 20 世纪欧美高校博士论文。其他已扫描文献还包括一批罕见的 16 世纪“宽边民谣 / 街头民谣”收藏，共计 1 万首，记录了都铎王朝时期街头流传的歌词与乐谱。
此外，教职人员还讨论过后续数字化计划，可能涉及 18 世纪爱尔兰国家档案、爱尔兰小说家玛利亚·埃奇沃思的私人信函，以及多萝西·霍奇金关于青霉素研究的实验笔记。牛津大学表示，与 OpenAI 合作完成数字化的文献规模有限，且均已超出版权保护期；OpenAI 的使用权为非排他性，博德利图书馆仍保留自主发布这些数字化资源的权利，并计划在未来几个月逐步在线公开。
- 合作主体：牛津大学博德利图书馆与 OpenAI。
- 公开目的：推进历史文献数字化，提升学生、研究人员和公众获取便利。
- 争议点：数字化成果被用于 OpenAI 训练集，公告披露与公众认知之间存在落差。
- 校方回应：资料已过版权期，使用权非排他，图书馆将继续公开数字化资源。
影响解读：AI 公司为何盯上图书馆与学术机构
对大模型公司来说，高质量语料正变得越来越稀缺。开放网页、论坛和通用文本虽然数量庞大，但质量参差不齐，且涉及版权、隐私与重复内容问题。图书馆、大学档案和学术机构掌握的历史文献，往往结构清晰、来源可靠、文化跨度大，能够帮助模型补充长尾知识与人文语境。因此，OpenAI 等公司与研究型图书馆合作，本质上也是在寻找更可信、更稀缺、更具文化价值的训练材料。
但这类合作也会持续引发治理问题：公共文化机构提供的资源，是否应服务于商业模型能力提升？如果数字化成本由 AI 公司承担，公众、学校和企业之间的利益如何分配？对于已经过版权期的文献，法律障碍可能较低，但透明度、伦理审查和社会信任仍不可忽视。
从产业趋势看，围绕训练数据的竞争正在从“抓取互联网”转向“获取高质量授权数据”。博德利图书馆事件说明，未来 AI 模型的能力差异，可能不仅取决于算法和算力，也取决于谁能获得更丰富、更权威的语料来源。对高校和图书馆而言，如何在开放知识、保护声誉、控制合作边界之间取得平衡，将成为与 AI 公司合作时必须回答的新问题。