《衛報》於二〇二六年九月二十六日報道，經資訊自由（FOI）取得的牛津大學內部會議紀錄顯示，博德利圖書館（Bodleian Libraries）與 OpenAI 的數碼化合作所產出的影像，已用於「填充 OpenAI 訓練集」；同日校方與 OpenAI 發言人均有回應。來源真實性已核對《衛報》報道、Bodleian 官方數碼化研究頁、二〇二五年三月合作公布，以及 OpenAI NextGenAI 對牛津項目的表述。本文整理事件脈絡、訓練數據與公版邊界，以及對香港企業資料授權與私有模型策略的含義。
牛津大學博德利圖書館與 OpenAI 的五年合作，早於二〇二五年三月公開：重點是把公版館藏數碼化、供師生與全球研究者檢索，並透過 NextGenAI 提供模型與研究資助。九月二十六日《衛報》依 FOI 取得的會議紀錄，把焦點從「數碼化開放」拉到「訓練數據」：內部文件寫明已數碼化材料用於填充 OpenAI 訓練集；校方則強調規模有限、僅限公版、非獨家授權，Bodleian 保留權利並將於數月內自行公開掃描結果。OpenAI 發言人表示自豪能讓當代模型「為未來保存世界歷史知識」。來源真實性已驗證。
一、核心事件：FOI 把「數碼化」與「訓練」擺上同一桌
技術細節
據《衛報》，牛津於二〇二五年三月公布與 OpenAI 合作時，強調以 OpenAI 軟件數碼化世界知名館藏、擴大學生與研究者取用；惟當日公開敘事並未以「模型訓練」為主軸。FOI 取得的會議紀錄則記載：材料已用於填充 OpenAI 訓練集；博德利管治委員會等成員亦曾討論與 OpenAI 合作的聲譽風險，以及能源密集技術對大學環境承諾的影響。
量級上，《衛報》引述至二〇二五年六月，已有約十二萬五千幅影像來自歷史學位論文掃描並交予 OpenAI，涵蓋十九至二十世紀歐美大學博士論文等；另提及約一萬份十六世紀「大幅單面民謠」（broadside ballads）等稀有文本。Bodleian 官方「Digitisation Research project」頁同步寫明：OpenAI 資助該試點（屬與牛津五年合作及 NextGenAI 高等教育聯盟之一環），Imaging Studio 已為 Global Dissertations 館藏捕獲約十二萬五千幅影像，並另掃描約四十二萬九千張卡片目錄檔。兩邊數字在「十二萬五千幅論文影像」上對得上，強化可核對性。
OpenAI 的 NextGenAI 介紹亦點名牛津：博德利圖書館正數碼化稀有文本，並以 OpenAI API 轉錄，使材料更可搜尋。換言之，官方與媒體鏈上同時存在「數碼化／轉錄／開放取用」與「訓練集填充」兩條敘事；今日新聞價值在於 FOI 把後者從內部文件推到公眾視野，並引出校內風險討論與雙方發言人回應。
二、技術原理深度解析
大型語言模型依賴海量文本學習語言分佈與知識表徵。隨着公開網頁日益充斥模型生成內容，開發者轉向較「乾淨」、較少線上重複的實體書與歷史館藏，以補足訓練分布。數碼化管線通常包括：高通量掃描、OCR／手寫辨識、元數據結構化，以及把可機器讀取的文本納入訓練或檢索增強（RAG）語料。
本案的關鍵技術—法律邊界不在「能不能掃」，而在「掃完之後誰有權用、用在哪一層」：
- 公版（public domain／out of copyright）：牛津發言人強調現階段數碼化屬公版、規模「modest」，OpenAI 使用非獨家；Bodleian 保留自行公開掃描成果的權利。公版降低著作權侵權風險，但不自動消除聲譽、環境與「是否充分告知利益相關者」的治理爭議。
- 訓練權相對檢索權：同一批掃描可只做館內檢索與開放下載，也可同時進入預訓練／持續預訓練語料。FOI 文件所指「populate the OpenAI training set」，屬後者；OpenAI 公開表述則強調保存歷史知識與文化視角。企業採購或學術合作時，合約必須把「僅限 OCR／檢索」與「可用於模型權重訓練」分開寫清。
- 非破壞性流程對照：報道對比部分二手書收購後拆脊掃描再銷毀的做法；牛津強調館藏實體完好。對文化機構與企業檔案室而言，「可逆、可再公開、保留實體」往往是可接受合作的底線。
- 規模敘事：會議亦討論把約二千三百萬件館藏大規模數碼化，以及「Ask the Bod」聊天機械人等構想——屬前瞻討論，並非已全部執行。讀者應把「已交十二萬五千幅論文影像」與「全館二千三百萬件潛能」分開理解。
四、日常應用場景
1. 開發者與技術團隊
評估任何「圖書館／檔案 × 模型商」試點時，應要求書面區分：原始掃描保管方、OCR 產出授權、可否進入預訓練、可否用於微調、可否再授權給第三方、以及出錯內容下架流程。工程上，把「開放數位館藏 API」與「訓練語料投餵」做成不同資料管道與審計日誌，避免產品文案只講開放、合約卻默許訓練。
2. 企業與隱私敏感行業
香港律師樓、金融與醫療機構若考慮把內部檔案交給外部 AI 供應商「幫忙數碼化」，本案是提醒：數碼化敘事可以合法，但訓練權若未明示，日後模型行為與競品知識邊界可能難回溯。對受 NDA、客戶保密或跨境數據限制的材料，更應預設「默認不得進第三方權重」，改以私有部署、檢索增強或授權範圍極窄的微調。公版歷史文本的爭議已夠複雜；含個資或商業秘密的企業語料風險更高。
3. 一般用戶
ChatGPT 等產品若在回應中展現較冷僻的歷史細節，不代表某館「獨家喂養」該模型；公版與多方語料高度重疊。用戶應關注機構是否公開說明：哪些館藏已數碼化、何時開放下載、訓練用途是否披露。對仍受版權保護的近現代作品，切勿假設「已被某大學掃描＝可自由重製」。
4. 香港與亞洲市場視角
亞洲大學、博物館與家族企業檔案室正加速「AI 可讀」轉型；香港作為普通法與國際出版／教育樞紐，類似 NextGenAI 式合作很可能出現在本地或大灣區機構。採購清單應包含：公版／授權狀態清冊、非獨家與再公開條款、能源與永續披露、以及聲譽風險委員會是否知情。對企業私有知識庫，更務實的路徑往往是把數據留在境內、自建或託管私有模型，而不是把核心語料一次性交給公有雲訓練管線。YSK Limited 的企業私有 LLM 全託管強調數據不出境、由香港團隊完成 Dataset 至私有 API，正對應此類「訓練權必須可控」的治理需求。
五、專業評價與潛在考量
優勢
- 一級與官方材料可交叉核對：FOI 報道、Bodleian 研究頁（十二萬五千幅影像）、二〇二五年三月合作稿、OpenAI NextGenAI 牛津段落。
- 雙方發言人立場清楚，利於讀者分辨「數碼化開放」與「訓練集使用」兩層事實。
- 公版、非獨家、館方保留再公開權利，屬相對可審視的合作模板，而非完全黑箱收購銷毀。
- 對企業與大學採購具直接方法論價值：如何寫訓練權條款。
需要留意的地方
- FOI 會議紀錄全文未隨報道完整公開；「聲譽風險」等表述屬報道引述，細節深度取決於後續文件。
- 「填充訓練集」不等於某本特定書可在產品中被逐字還原；亦不宜推論所有 ChatGPT 歷史知識都來自 Bodleian。
- 全館二千三百萬件與「Ask the Bod」仍屬討論／潛能，不是已交付里程碑。
- 公版訓練爭議與仍受版權保護作品、或摧毀實體書的做法，法律與倫理風險量級不同，不可混為一談。
- 環境足跡與大學減碳承諾之間的張力，報道有記載，但未給出可獨立審計的能耗數字。
結語
《衛報》FOI 報道把牛津—OpenAI 合作從「數碼化開放館藏」推進到「訓練數據治理」的公共討論：同一條掃描流水線，可以只服務檢索，也可以同時寫進模型權重。對香港與亞洲機構而言，重點不是禁止與前沿實驗室合作，而是把授權範圍、再公開義務與聲譽／環境審查寫進可執行的合約與技術管道。若企業需要在香港部署可審計、數據不出境的私有模型與語料流程，可參考 YSK Limited 的企業私有 LLM 全託管（https://ysk.hk/services/ai-automation）。
參考來源
- Ethan Penny、Dan Milmo，《The Guardian》：Oxford lets OpenAI train its AI models on Bodleian Library（2026-09-26）https://www.theguardian.com/technology/2026/sep/26/oxford-university-bodleian-library-open-ai-chat-gpt
- Bodleian Libraries：Bodleian Digitisation Research project（官方項目頁，含約 125,000 幅 Global Dissertations 影像與 OpenAI／NextGenAI 資助說明）https://www.bodleian.ox.ac.uk/services/research-partnerships/digitisation-project
- Bodleian Libraries／University of Oxford：Oxford and OpenAI launch collaboration to advance research and education（2025-03 合作公布）https://www.bodleian.ox.ac.uk/about/media/oxford-and-openai-launch
- OpenAI：Introducing NextGenAI（點名牛津 Bodleian 數碼化與 API 轉錄）https://openai.com/index/introducing-nextgenai/