Νέο μη διασκευασμένο υλικό στη μήνυση πνευματικών δικαιωμάτων των New York Times κατά του OpenAI και της Microsoft αποκαλύπτει μια σειρά από εντυπωσιακές εσωτερικές παραδοχές - συμπεριλαμβανομένου ενός κορυφαίου στελέχους της Microsoft που περιγράφει ιδιωτικά τις πρακτικές εκπαίδευσης AI των εταιρειών ως κλοπής και η ίδια η ηγεσία του OpenAI που αναγνωρίζει ότι το chatbot του αποτελεί «υπαρξιακή απειλή» για τους εκδότες των οποίων το έργο το εκπαίδευσε.
Η κατάθεση, που αναφέρθηκε από το TechCrunch την Πέμπτη, φτάνει τρία χρόνια μετά την πρώτη μήνυση των The Times, με τον ισχυρισμό ότι οι εταιρείες παραβίασαν τη νομοθεσία περί πνευματικών δικαιωμάτων εκπαιδεύοντας μοντέλα παραγωγής τεχνητής νοημοσύνης στο περιεχόμενό της. Το πρόσφατα ορατό υλικό περιγράφει λεπτομερώς τον τρόπο με τον οποίο οι εταιρείες φέρεται να απέκτησαν και να χρησιμοποιούσαν αυτό το περιεχόμενο: παράκαμψη τοιχωμάτων πληρωμής που δεν ανιχνεύτηκαν, δημιουργία συνόλων δεδομένων εκπαίδευσης μέσω μαζικής απόξεσης και σκόπιμη αφαίρεση των ειδοποιήσεων πνευματικών δικαιωμάτων από τα δεδομένα εκπαίδευσης. For more context on this story, see our ongoing artificial intelligence updates.
Αξίζει να σημειωθεί η προειδοποίηση που επισήμανε η ίδια η TechCrunch: πολλές από τις νέες πληροφορίες προέρχονται από τη σύνταξη των Times και όχι από τα υποκείμενα εκθέματα, τα οποία παραμένουν σφραγισμένα και τα αποσπάσματα παρουσιάζονται χωρίς το αρχικό τους πλαίσιο.
'A Doom Loop' for Publishers
Μεταξύ των πιο επακόλουθων αποκαλύψεων είναι τα δεδομένα της ίδιας της Microsoft σχετικά με το τι έκανε η «μηχανή απαντήσεων» της Copilot στην επισκεψιμότητα στον ιστότοπο των Times. Σύμφωνα με την κατάθεση, τα εσωτερικά στοιχεία της Microsoft δείχνουν ότι το Copilot προκάλεσε μείωση των ποσοστών κλικ προς αριθμό εμφανίσεων για τον τομέα nytimes.com έως και 93 τοις εκατό σε σύγκριση με την παραδοσιακή αναζήτηση Bing.
Μια εσωτερική παρουσίαση που γράφτηκε από τον διευθυντή Εφαρμοσμένης Επιστήμης της Microsoft, Brent Hecht, τον Ιανουάριο του 2024 περιέγραψε την πτώση ως «βρόχο καταστροφής» που θα «έβλαψε την απόδοση των μοντέλων μας και ολόκληρου του Ιστού ταυτόχρονα».
«Είναι πολύ ασυνήθιστο ένα τελικό προϊόν να απειλεί τα οικονομικά θεμέλια των βασικών προμηθευτών του, αλλά αυτή είναι η κατάσταση που έχουμε δημιουργήσει για την επιχείρησή μας LLM σε σχέση με την «αλυσίδα εφοδιασμού περιεχομένου»», αναφέρεται στο έγγραφο της Microsoft, όπως αναφέρεται στην κατάθεση.
Η αποδοχή έρχεται σε άμεση αντίθεση με έναν πυλώνα της άμυνας για δίκαιη χρήση στον οποίο έχουν βασιστεί οι εταιρείες τεχνητής νοημοσύνης: ότι η χρήση δεν υποκαθιστά το αρχικό έργο ούτε βλάπτει την αγορά του.
Οι λέξεις των ίδιων των στελεχών Εισάγετε το αρχείο
Τα μη διορθωμένα αρχεία καταγράφουν επίσης ειλικρινείς εκτιμήσεις από τα υψηλότερα στελέχη των εταιρειών.
Ο Διευθύνων Σύμβουλος της Microsoft, Satya Nadella, κατέθεσε σε μια κατάθεση νωρίτερα αυτό το έτος ότι «οτιδήποτε έχει paywalled θα πρέπει να έχει άδεια χρήσης από οποιονδήποτε θέλει να το χρησιμοποιήσει… για γείωση ή εκπαίδευση». Ο Nadella κατέστησε σαφές ότι εάν «είχε ενημερωθεί ότι το OpenAI είχε αποκόψει και εκπαιδεύσει σε πληροφορίες που υπήρχαν πίσω από ένα paywall», θα είχε «επικαλεστεί [το δικαίωμα της Microsoft] να απαιτήσει από την OpenAI να επανεκπαιδεύσει τα μοντέλα της».
Ο Nadella συμφώνησε επίσης ενόρκως ότι η συνομιλία με chatbots «αντικατέστησε… το να σας δώσει τις πληροφορίες ακριβώς εκεί στον ιστότοπο στην πλατφόρμα AI, αντί να χρειάζεται να μεταβείτε στην υποκείμενη πηγή».
Από την πλευρά του OpenAI, ο Nick Turley, επικεφαλής του ChatGPT της εταιρείας, έγραψε σε εσωτερικές ανακοινώσεις ότι οι εκδότες αντιμετωπίζουν μια «υπαρξιακή απειλή» από προϊόντα όπως το chatbot, τα οποία είναι «σε μεγάλο βαθμό υποκατάστατα» και «θα γίνονται όλο και πιο υποκατάστατα όσο βελτιώνονται». Ο πρόεδρος του OpenAI, Γκρεγκ Μπρόκμαν, περιέγραψε τα μοντέλα ως «εξαιρετικά στις ειδήσεις».
Και σε ένα εσωτερικό σημείωμα του Ιανουαρίου 2023, ο Hecht - το ίδιο στέλεχος της Microsoft που αργότερα επισήμανε το "doom loop" - αποκάλεσε το ξύσιμο "μια εκπληκτική κλοπή πρωτοφανών διαστάσεων" και "τη μεγαλύτερη κλοπή εργασίας στην ανθρώπινη ιστορία".
Η καθαρή κλίμακα της αντιγραφής
Τα έγγραφα ποσοτικοποιούν την αντιγραφή σε κλίμακα που δεν είχε αποκαλυφθεί προηγουμένως. Μόνο τα σύνολα δεδομένων ενδιάμεσης εκπαίδευσης του OpenAI, λέει η κατάθεση, περιέχουν περισσότερα από 91.692 αντίγραφα έργων που δημοσιεύθηκαν από τους New York Times, τη New York Daily News και το Center for Investigative Reporting.
Ένα σύνολο δεδομένων που προέρχεται από το Common Crawl, το δωρεάν ανοιχτό αποθετήριο δεδομένων ανίχνευσης ιστού, περιλάμβανε περισσότερα από 2 εκατομμύρια έγγραφα μόνο από το nytimes.com. Η κατάθεση περιγράφει επίσης το Project Mango, μια πρωτοβουλία δεδομένων Microsoft-OpenAI της οποίας το συγκεντρωμένο εκπαιδευτικό σύνολο περιέχει αντίγραφα τουλάχιστον 160.903 μοναδικών έργων από τους εκδότες ειδήσεων. Το OpenAI παρέδωσε ολόκληρο το εκπαιδευτικό του σύνολο GPT-3 στη Microsoft για αξιολόγηση, λέει η κατάθεση, και η Microsoft παρείχε ομοίως δεδομένα εκπαίδευσης στο OpenAI μέσω πρωτοβουλιών που ονομάζονται Project Taxi και Project Mango.
Οι υπάλληλοι του OpenAI φέρεται να κατασκεύασαν επίσης πρώιμα σύνολα δεδομένων εκπαίδευσης, όπως το WebText και το WebText2 που βασίζονταν δυσανάλογα σε περιεχόμενο ειδήσεων με αποκόλληση.
Παραβιάσεις Paywall και απογυμνωμένες ειδοποιήσεις πνευματικών δικαιωμάτων
Ίσως οι πιο ζωντανές λεπτομέρειες αφορούν τον τρόπο απόκτησης του περιεχομένου. Όταν ο ερευνητής του OpenAI Nick Ryder είπε στον Brockman για ένα "hack to get around nytimes paywall", ο Brockman - λέει η κατάθεση - απάντησε: "α ωραία."
Τα αρχεία περιγράφουν περαιτέρω σκόπιμες προσπάθειες αφαίρεσης των ειδοποιήσεων πνευματικών δικαιωμάτων από τα δεδομένα εκπαίδευσης πριν φτάσουν στο μοντέλο, επειδή οι ερευνητές "δεν θα ήθελαν" το μοντέλο να παράγει "ειδοποιήσεις πνευματικών δικαιωμάτων" στους χρήστες.
«Τα στοιχεία που αποκαλύφθηκαν εδώ για πρώτη φορά δείχνουν ότι η OpenAI και η Microsoft γνώριζαν ότι αυτό που έκαναν ήταν λάθος», δήλωσε ο Στίβεν Λίμπερμαν, σύμβουλος της New York Daily News, σε δήλωση που κοινοποιήθηκε στο TechCrunch.
Τι σημαίνει για τον αγώνα δίκαιης χρήσης
Το ερώτημα εάν οι εταιρείες τεχνητής νοημοσύνης μπορούν νόμιμα να εκπαιδεύονται σε υλικό που προστατεύεται από πνευματικά δικαιώματα χωρίς άδεια παραμένει αδιευκρίνιστο, αλλά οι δικαστές έχουν μέχρι στιγμής ευνοηθεί σε μεγάλο βαθμό με τα επιχειρήματα των εταιρειών τεχνητής νοημοσύνης περί θεμιτής χρήσης. Νωρίτερα αυτόν τον μήνα, η κυβέρνηση Τραμπ συνέβαλε μια σύντομη ενημέρωση για την υπεράσπιση της χρήσης υλικού που προστατεύεται από πνευματικά δικαιώματα χωρίς άδεια από το OpenAI για την εκπαίδευση των μεγάλων γλωσσικών μοντέλων του.
Ωστόσο, αρκετές από τις νέες παραδοχές αντιβαίνουν στην απαίτηση ζημίας στην αγορά του τεστ δίκαιης χρήσης — την ιδέα ότι η χρήση δεν πρέπει να υποκαθιστά ή να υπονομεύει την αγορά για το αρχικό έργο. Οι εσωτερικές δηλώσεις ότι τα προϊόντα είναι "σε μεγάλο βαθμό υποκατάστατα", σε συνδυασμό με τα δεδομένα της ίδιας της Microsoft που δείχνουν μια κατάρρευση κλικ μέσω 93 τοις εκατό, δίνουν στην πλευρά των Times την πιο συγκεκριμένη απόδειξη της υποκατάστασης της αγοράς.
Η κατάθεση είναι η πιο πρόσφατη κλιμάκωση σε μια υπόθεση που έχει γίνει η καθοριστική νομική μάχη για το πώς οι εταιρείες τεχνητής νοημοσύνης αποκτούν δεδομένα εκπαίδευσης. Όποιο κι αν είναι το αποτέλεσμα, το μη διορθωμένο αρχείο δείχνει τώρα ότι τα στελέχη των ίδιων των εταιρειών κατάλαβαν νωρίς την ένταση — και το έθεσαν γραπτώς.
Για τη συνεχή κάλυψη των νομικών αγώνων που διαμορφώνουν την τεχνητή νοημοσύνη, ακολουθήστε τα τελευταία μας νέα για την τεχνητή νοημοσύνη και τη σε βάθος ανάλυση των περιπτώσεων που θα καθορίσουν τον κλάδο.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
