Nový nezreagovaný materiál v žalobě The New York Times ohledně autorských práv proti OpenAI a Microsoftu odhaluje řadu překvapivých interních přiznání – včetně nejvyššího představitele Microsoftu, který soukromě popsal praktiky školení v AI společností jako krádež, a vlastní vedení OpenAI uznalo, že jeho chatbot představuje „existenciální hrozbu“ pro vydavatele, jejichž práce jej vyškolila.
Podání, o kterém ve čtvrtek informoval TechCrunch, přichází tři roky poté, co The Times poprvé zažaloval, obviňující, že firmy porušily autorský zákon tím, že trénovaly generativní modely umělé inteligence na jeho obsahu. Nově viditelný materiál podrobně popisuje, jak společnosti údajně získaly a použily tento obsah: obcházely nedetekované paywally, sestavovaly tréninkové datové sady pomocí hromadného škrábání a záměrně odebíraly upozornění na autorská práva z tréninkových dat. For more context on this story, see our ongoing breaking AI news.
Za zmínku stojí upozornění, které označil samotný TechCrunch: mnoho nových informací pochází z vlastního stručného popisu The Times spíše než ze základních exponátů, které zůstávají zapečetěny, a citace jsou prezentovány bez jejich původního kontextu.
„Doom Loop“ pro vydavatele
Mezi nejzávažnější odhalení patří vlastní údaje společnosti Microsoft o tom, co jeho „odpovídací modul“ Copilot udělal s návštěvností webu The Times. Podle podání interní údaje Microsoftu ukazují, že Copilot způsobil pokles míry prokliku u domény nytimes.com až o 93 procent ve srovnání s tradičním vyhledáváním Bing.
Interní prezentace napsaná ředitelem aplikované vědy společnosti Microsoft Brentem Hechtem v lednu 2024 popsala pokles jako „zmarovou smyčku“, která by „poškodila výkon našich modelů a zároveň celého webu“.
„Je velmi neobvyklé, že koncový produkt ohrožuje ekonomické základy jeho hlavních dodavatelů, ale takovou situaci jsme vytvořili pro naše podnikání LLM s ohledem na jeho ‚dodavatelský řetězec obsahu‘,“ stojí v dokumentu Microsoftu, jak je citováno v podání.
Přiznání je přímo úměrné jednomu pilíři obhajoby fair-use, na kterou společnosti AI spoléhaly: že použití nenahrazuje původní dílo ani nepoškozuje trh.
Vlastní slova vedoucích pracovníků Zadejte záznam
Nereagované spisy také zachycují upřímná hodnocení od nejvyšších představitelů společností.
Generální ředitel Microsoftu Satya Nadella svědčil ve výpovědi na začátku tohoto roku, že „cokoli, co je placené, by mělo být licencováno každým, kdo to chce používat… pro přípravu nebo školení“. Nadella dal jasně najevo, že kdyby „by si byl vědom toho, že OpenAI seškrábalo a trénovalo informace, které byly za paywallem“, „uplatnil by [právo Microsoftu] požadovat, aby OpenAI přeškolila své modely“.
Nadella také pod přísahou souhlasil s tím, že konverzace s chatboty „nahradila … poskytování informací přímo na webu na platformě AI oproti nutnosti přejít na základní zdroj.“
Na straně OpenAI Nick Turley, šéf společnosti ChatGPT, v interní komunikaci napsal, že vydavatelé čelí „existenciální hrozbě“ produktů, jako je chatbot, které jsou „do značné míry substituční“ a „budou stále více substituční, jak se budou zlepšovat“. Prezident OpenAI Greg Brockman popsal modely jako „vynikající ve zprávách“.
A v interní zprávě z ledna 2023 Hecht – ten samý výkonný pracovník Microsoftu, který později označil „smyčku zkázy“ – nazval seškrabování „ohromující krádeží bezprecedentních rozměrů“ a „největší krádeží práce v historii lidstva“.
Naprostý rozsah kopírování
Dokumenty kvantifikují kopírování v měřítku, které nebylo dříve zveřejněno. Samotné datové sady OpenAI v polovině tréninku obsahují více než 91 692 kopií děl publikovaných The New York Times, New York Daily News a Center for Investigative Reporting.
Datový soubor odvozený z Common Crawl, bezplatného otevřeného úložiště dat procházení webu, obsahoval více než 2 miliony dokumentů pouze z nytimes.com. Podání také popisuje Project Mango, datovou iniciativu Microsoft-OpenAI, jejíž sestavená školicí datová sada obsahuje kopie nejméně 160 903 jedinečných děl od vydavatelů zpráv. OpenAI poskytlo Microsoftu celý svůj tréninkový datový soubor GPT-3 k vyhodnocení, uvádí se v podání, a Microsoft podobně poskytl tréninková data OpenAI prostřednictvím iniciativ nazvaných Project Taxi a Project Mango.
Zaměstnanci OpenAI také údajně vytvořili rané školicí datové sady, jako jsou WebText a WebText2, které se neúměrně spoléhaly na obsah zkopírovaných zpráv.
Paywall Hacks a stažená oznámení o autorských právech
Snad nejživější detaily se týkají způsobu, jakým byl obsah získán. Když výzkumník OpenAI Nick Ryder řekl Brockmanovi o "hacku, jak obejít nytimes paywall", Brockman - jak se uvádí v podání - odpověděl: "Ach pěkné."
Přihlášky dále popisují záměrné snahy odstranit upozornění na autorská práva z trénovacích dat předtím, než se dostanou do modelu, protože výzkumníci „nechtějí“, aby model vydával uživatelům „oznámení o autorských právech“.
"Důkazy, které jsou zde poprvé odhaleny, ukazují, že OpenAI a Microsoft věděly, že to, co dělají, bylo špatné," uvedl Steven Lieberman, poradce pro New York Daily News v prohlášení sdíleném s TechCrunch.
Co to znamená pro boj za fair use
Otázka, zda firmy s umělou inteligencí mohou legálně trénovat na materiálech chráněných autorskými právy bez licence, zůstává nevyřešená, ale soudci jsou zatím převážně nakloněni argumentům fair use společností AI. Začátkem tohoto měsíce Trumpova administrativa přispěla stručnou obhajobou nelicencovaného používání materiálů chráněných autorskými právy ze strany OpenAI k trénování svých velkých jazykových modelů.
Přesto je několik nových přiznání v rozporu s požadavkem na poškození trhu v testu fair-use – s myšlenkou, že použití nesmí nahrazovat nebo podbízet trh pro původní dílo. Interní prohlášení, že produkty jsou „do značné míry substituční“, v kombinaci s vlastními údaji společnosti Microsoft, které ukazují 93procentní kolaps prokliku, dávají straně The Times dosud nejkonkrétnější důkaz o nahrazení trhu.
Podání je poslední eskalací případu, který se stal určující právní bitvou o to, jak společnosti AI získávají tréninková data. Ať už to dopadne jakkoli, neredigovaný záznam nyní ukazuje, že vlastní manažeři společností pochopili napětí brzy – a dali to písemně.
Chcete-li pokračovat v pokrytí právních sporů utvářejících umělou inteligenci, sledujte naše nejnovější zprávy o umělé inteligenci a hloubkovou analýzu případů, které budou definovat toto odvětví.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
