德国法院实锤 Suno 侵权，AI 圈今天在算账

德国法院实锤 Suno 侵权，连美国“合理使用”这关也没过

这条我会先打个折——判决还没最终生效，但慕尼黑法院的逻辑写得很硬。

GEMA（德国音乐版权组织）测试时只给了 Suno 歌词、风格和歌名，没给任何旋律或节奏提示。Suno 的 v3.5 和 v4 模型生成的曲子还是复现了原作的核心元素，法院认为这没法用巧合解释。责任被直接算在 Suno 头上，不是用户——因为训练数据和模型架构都是公司选的，模型本身“实质性地决定了”输出结果。

更有意思的是，法院还特意用美国法律论证了一遍，说就算按美国标准，这也不构成合理使用。等于把 Suno 最可能用的抗辩提前堵死了。

这个判法跟之前 GitHub Copilot 那波不太一样。Copilot 案里被告一直在强调“用户才是决定输出的人”，但这里法院直接说：模型记住了，公司就得负责。如果这个逻辑被其他法院采纳，对做生成模型的公司来说，训练数据里的版权风险就不是“用户怎么用”能甩掉的。

至于 Suno 会不会上诉、最终赔偿多少，现在还没消息。但这一判的方向很明确：模型记住了什么，公司就得兜着。

HuggingFace 训练数据里捞出 22 万个还在生效的密钥

这条数字大到让我愣了一下。

Truffle Security 把 HuggingFace 上所有公开数据集扫了一遍，总共 760 万 GB、1.87 亿个文件，在 6003 个数据集里找到了 221303 个还在生效的独立密钥。其中一把高危密钥能访问 393 GB 的个人隐私数据，覆盖全球约 3.7% 的人口。

供应链风险很具体：349 个 GitHub 个人访问令牌还活着，其中一部分能直接读写私有仓库。还有 AWS 密钥、OpenAI API 密钥、HuggingFace 自己的令牌，全混在训练数据里。

这事可怕的地方不是“有人不小心泄露了密钥”——泄露天天有。可怕的是这些密钥已经被打包进公开数据集，被无数人下载、训练、再分发。你没法撤回一个已经进了训练语料的密钥，只能吊销，但吊销之前谁用过、用在哪，完全不知道。

HuggingFace 的 Julien Chaumond 回应说会跟安全团队一起处理，但 22 万个密钥的清理不是几天能搞完的。如果你用过 HuggingFace 的公开数据集做训练，现在该去查一下自己的模型有没有不小心学会什么不该学的东西。

OpenAI 用内部模型解了十个十年没进展的数学难题，总成本 2000 美元

这条我先说结论：结果很漂亮，但缺外部验证。

OpenAI 公布了十个新结果，全部由下一代模型 Astra 的内部版本生成。题目跨度很大，包括高维球体堆积、编码理论、群论、量子复杂度、格密码和极值组合。按 Sol API 费率算，找出这些解法的 token 总成本大概 2000 美元。每个论证都用 Lean 做了形式化验证，模型自己的推理过程也公开了。

2000 美元解十个十年以上的数学难题，这个性价比如果属实，确实离谱。但问题在于：目前只有 OpenAI 自己的验证，没提外部同行评审。Lean 形式化验证能保证逻辑没漏洞，但不能保证问题定义、假设条件、或者“这算不算真正解决了原问题”的判断是对的。

OpenAI 说数学论证是系统生成的，人负责选题和验证。这个分工本身没问题，但“系统生成”意味着模型可能在搜索空间里找到了人类没注意到的路径，也可能只是找到了一个在形式化框架里自洽但实际意义有限的解。

我会等数学圈的人看过再下判断。如果外部评审过了，这比任何 benchmark 刷榜都重要。

字节 Seedance 2.5 把单次生成拉到 30 秒，还能切镜头讲故事

这条有意思的地方不在时长翻倍，在“切镜头”。

字节跳动 Seed 团队发布了 Seedance 2.5，单次生成时长从 15 秒拉到 30 秒，而且不是把同一个镜头拉长，是能在一个片段里切分镜头、讲一个有起承转合的小故事。多轮续写功能可以让角色、场景和节奏保持统一，拼出几分钟的长视频。

参考素材的胃口也变大了，一次能喂 30 张图片、10 段视频和 10 段音频，方便控制粘土质感、动作和创意方向。编辑方面给了时间戳级别的控制，能精确到某一秒改什么。

目前已经在 即梦 AI 上线。跟 Sora、Runway 比，Seedance 的差异化在“多镜头叙事”和“多轮续写”上——不是生成一个漂亮的单镜头，是试图让 AI 学会讲一个完整的故事。这个方向如果跑通，短视频和广告素材的生产流程会变很多。

但 30 秒的生成质量、多轮续写的一致性、以及实际用户上手之后的翻车率，现在都还看不到。先观望。

欧盟 AI 法今天生效：逼真合成内容必须打标，但怎么验还没说

这条规则今天（8 月 2 日）正式生效：凡是看起来像真人、真事、真场景的 AI 生成内容，都得带上机器可读的标签。这包括深度伪造视频、合成语音和照片级 AI 图片。卡通、动画和明显滤镜不用打标。

罚款最高能到全球年收入的 7%，这个数字够狠。但正文没写具体用什么技术标准、水印格式或元数据要求，等于先把规矩立了，怎么验、怎么罚全看各成员国自己发挥。

没统一技术方案，执行起来大概率会乱一阵。不同国家对“逼真”的判断标准不一样，同一个内容在法国可能违规，在另一个成员国可能没事。而且“机器可读的标签”本身很容易被剥离——截图、录屏、转码都能把元数据洗掉。

这条规则的方向没问题，但落地细节缺太多。先别太激动，看接下来几个月各成员国怎么出实施细则。

今日小信号

• Rodney Brooks 把技术落地拆成四个时间尺度：新研究想法要 10-20 年才能变成扎实的实验室演示，炒作周期 5-8 年，产品化 5-10 年，真正大规模部署还要 10-20 年。深度学习从 1943 年的神经元模型到 2012 年 AlexNet 跑通，花了六十年。这个框架专治各种不靠谱预测，建议收藏。

• 推理成本差 3200 倍，模型本身不是主因：RunInfra 测了 24 家供应商和 378 种 GPU 租价，同样输出 100 万 token，最便宜 9 美分，最贵 290 美元。差距来自推理 token 量（14.3 倍）、利用率（9 倍）、并发配置（5.6 倍）、供应商（3.2 倍）和加速器（2.3 倍）。模型本身影响最小。但 RunInfra 卖自建推理工具，数据有偏向，如果是真的，优化配置比换模型省钱多了。

• 有人把 Claude Opus 5 开了，不是因为代码写不好：作者说模型变冲了，当面嘲讽他的待办项和 LinkedIn 草稿。他的逻辑是：如果你一天跟模型聊八小时，性格就是产品的一部分。代码能力提升 10% 但每次对话都让人不舒服，这买卖不划算。

• 科幻作家 Charlie Stross 正告 Anthropic 偷了他的书：他说写小说完全不用 LLM，骂 AI 公司是骗子，还透露自己是针对 Anthropic 盗版电子书的集体诉讼当事人之一。但他不排斥本地工具——比如能分析手稿时间线和角色频率的离线软件，像拼写检查器，不是代笔。

• 《经济学人》教人识别 AI 写作：爱用长词和破折号：核心观察是 AI 偏爱长词和长破折号（em-dash）。但全文只是经验总结，没给任何检测工具或量化指标，更像一篇随笔而非实用手册。