当训练数据的来源无法被外部审计，举证责任该由谁承担？数学家们给出的答案是：OpenAI。
发生了什么
据 Hacker News 上的讨论，一批数学家公开向 OpenAI 提出要求：说明其模型训练过程中是否使用了他们的论文与研究成果，并希望对方提供证据。这不是一次集体诉讼，更像是一份公开的技术质询——他们要求的不是赔偿，而是知情与可验证的说明。
值得注意的是诉求的方向：不是“证明你用了”，而是“证明你没用”。在版权争议中，这一举证方向的倒置相当罕见，也正是它让问题变得棘手。
为什么重要
大模型与学术文本的关系一直处于灰色地带。论文大多公开可获取，但“公开可读”不等于“授权用于训练”。过去两年，围绕训练数据的争议多集中在图书、新闻、图片和代码上，数学论文是一个相对安静但同样敏感的领域——它体量不大、专业性强，却往往是模型推理能力提升的关键养料。
真正的难点在技术层面。模型不会在输出里标注某句话来自哪篇论文；训练数据通常也不对外公开。即便模型能复现某个定理的表述，也无法直接推出它一定来自特定作者的原文，而非教科书、讲义或二手综述。反过来，要证明“没用过”更难：你无法通过观察一个黑箱来排除某个输入的存在。
于是争议滑向一个更根本的问题：当训练数据的构成属于商业机密，而数据来源的合法性又需要被检验时，社会该用什么机制来裁决？现有的版权框架、数据披露实践和技术审计手段，都还没有给出成熟答案。
影响与看点
对研究者而言，这件事的意义超出个案。如果学界普遍开始要求训练数据的可追溯性，那么未来论文的授权方式、预印本平台的使用条款、乃至学术出版的商业模式都可能被重新讨论。
对 AI 公司而言，压力在于透明度成本。公开数据来源会削弱竞争壁垒，也可能直接暴露法律风险；但不回应，则会让“未经授权使用”的质疑持续累积，最终由监管或诉讼来定价。
对开发者和用户而言，短期内不会有产品层面的变化，但值得留意一个信号：训练数据的合规性正在从公关议题变成工程议题。谁能把数据来源记录、授权链条和可审计性做成基础设施，谁就在下一轮监管收紧时更从容。
一个克制的判断是：要求 OpenAI 自证清白，在技术上大概率得不到令数学家满意的答案。但这场质询真正的价值，或许不在于结论，而在于它把“训练数据不可审计”这一结构性缺陷，摆到了必须被讨论的位置上。
