مطالب ویرایش نشده جدید در دعوای حق چاپ نیویورک تایمز علیه OpenAI و مایکروسافت مجموعه‌ای از پذیرش‌های داخلی قابل توجه را نشان می‌دهد - از جمله یکی از مدیران ارشد مایکروسافت که به طور خصوصی شیوه‌های آموزشی هوش مصنوعی شرکت‌ها را دزدی توصیف می‌کند، و رهبری خود OpenAI اذعان می‌کند که چت بات آن یک "تهدید وجودی" برای ناشرانی است که کار آنها را آموزش داده است.
این پرونده که روز پنجشنبه توسط TechCrunch گزارش شد، سه سال پس از اولین شکایت روزنامه تایمز ارائه شد که ادعا می‌کرد این شرکت‌ها با آموزش مدل‌های هوش مصنوعی در محتوای آن، قانون کپی رایت را نقض کرده‌اند. مطالبی که به تازگی قابل مشاهده هستند، جزئیاتی را نشان می دهند که شرکت ها ادعا می کنند چگونه آن محتوا را به دست آورده و از آن استفاده می کنند: دور زدن دیوارهای پرداخت بدون شناسایی، ساخت مجموعه داده های آموزشی از طریق خراش دادن انبوه، و حذف عمدی اعلامیه های حق چاپ از داده های آموزشی. For more context on this story, see our ongoing more AI stories.
شایان ذکر است هشداری که خود TechCrunch اعلام کرده است: بیشتر اطلاعات جدید از خلاصه خود تایمز به جای نمایشگاه های زیربنایی که مهر و موم شده باقی می مانند و نقل قول ها بدون زمینه اصلی خود ارائه می شوند، می آیند.
"حلقه عذاب" برای ناشران
یکی از مهم‌ترین افشاگری‌ها، داده‌های خود مایکروسافت در مورد کارهایی است که «موتور پاسخگویی» Copilot آن با ترافیک وب‌سایت تایمز انجام داده است. بر اساس این پرونده، ارقام داخلی مایکروسافت نشان می دهد که Copilot باعث شده است که نرخ کلیک برای دامنه nytimes.com در مقایسه با جستجوی سنتی Bing تا 93 درصد کاهش یابد.
یک ارائه داخلی که توسط مدیر علوم کاربردی مایکروسافت، برنت هچت، در ژانویه 2024 نوشته شده بود، این کاهش را به عنوان یک "حلقه عذاب" توصیف کرد که "به عملکرد مدل های ما و کل وب به طور همزمان آسیب می رساند."
در سند مایکروسافت، همانطور که در پرونده نقل شده است، آمده است: «بسیار غیرمعمول است که یک محصول نهایی پایه های اقتصادی تأمین کنندگان ضروری آن را تهدید کند، اما این وضعیتی است که ما برای کسب و کار LLM خود با توجه به «زنجیره تأمین محتوای» آن ایجاد کرده ایم.
این پذیرش مستقیماً با یکی از ستون‌های دفاع از استفاده منصفانه که شرکت‌های هوش مصنوعی بر آن تکیه کرده‌اند، تضعیف می‌کند: این که استفاده جایگزین اثر اصلی یا آسیبی به بازار آن نمی‌شود.
کلمات خود مدیران را وارد کنید
بایگانی‌های ویرایش نشده همچنین ارزیابی‌های صادقانه‌ای از شخصیت‌های ارشد این شرکت‌ها را نشان می‌دهند.
ساتیا نادلا، مدیر عامل مایکروسافت در اوایل سال جاری در اظهاراتی شهادت داد که "هر چیزی که دارای paywalled است باید توسط هر کسی که می‌خواهد از آن برای زمین یا آموزش استفاده کند مجوز بگیرد." نادلا تصریح کرد که اگر "به او اطلاع داده شده بود که OpenAI اطلاعاتی را که پشت یک دیوار پرداخت است خراش داده و آموزش داده است"، "از حق مایکروسافت برای ملزم کردن OpenAI به آموزش مجدد مدل‌هایش استفاده می‌کرد."
نادلا همچنین با سوگند پذیرفت که مکالمه با ربات‌های چت "جایگزین ... دادن اطلاعات در وب سایت در پلتفرم هوش مصنوعی در مقابل نیاز به رفتن به منبع اصلی است."
در سمت OpenAI، نیک تورلی، رئیس ChatGPT شرکت، در ارتباطات داخلی نوشت که ناشران با یک «تهدید وجودی» از سوی محصولاتی مانند ربات چت مواجه هستند که «تا حد زیادی جایگزین» هستند و «هرچه بهتر شوند، جایگزین‌های بیشتری خواهند شد». گرگ براکمن، رئیس OpenAI این مدل ها را "در اخبار عالی" توصیف کرد.
و در یک یادداشت داخلی ژانویه 2023، Hecht - همان مدیر مایکروسافت که بعداً "حلقه عذاب" را اعلام کرد - این خراش را "یک سرقت حیرت‌انگیز با ابعاد بی‌سابقه" و "بزرگترین سرقت نیروی کار در تاریخ بشر" خواند.
مقیاس محض کپی کردن
اسناد، مقدار کپی را در مقیاسی که قبلاً فاش نشده است، تعیین می کند. بایگانی می گوید که مجموعه داده های اواسط آموزشی OpenAI به تنهایی شامل بیش از 91692 نسخه از آثار منتشر شده توسط نیویورک تایمز، نیویورک دیلی نیوز و مرکز گزارشگری تحقیقی است.
مجموعه داده ای مشتق شده از Common Crawl، مخزن باز رایگان داده های خزیدن وب، شامل بیش از 2 میلیون سند به تنهایی از nytimes.com است. این پرونده همچنین Project Mango را توصیف می کند، یک ابتکار داده مایکروسافت-OpenAI که مجموعه داده های آموزشی مونتاژ شده آن شامل کپی هایی از حداقل 160903 اثر منحصر به فرد از ناشران اخبار است. OpenAI کل مجموعه داده آموزشی GPT-3 خود را برای ارزیابی به مایکروسافت تحویل داد، و مایکروسافت به طور مشابه داده های آموزشی را از طریق طرح هایی به نام Project Taxi و Project Mango در اختیار OpenAI قرار داد.
کارکنان OpenAI همچنین گفته می‌شود که مجموعه داده‌های آموزشی اولیه مانند WebText و WebText2 را ساخته‌اند که به طور نامتناسبی بر محتوای اخبار خراشیده شده تکیه می‌کنند.
هک‌های Paywall و اخطارهای کپی رایت حذف شده
شاید واضح ترین جزئیات مربوط به نحوه به دست آوردن محتوا باشد. زمانی که نیک رایدر، محقق OpenAI، در مورد "هک کردن nytimes paywall" به براکمن گفت، براکمن - در پرونده می گوید - پاسخ داد: "اوه خوب."
این پرونده‌ها تلاش‌های عمدی را برای حذف اطلاعیه‌های حق چاپ از داده‌های آموزشی قبل از رسیدن به مدل توصیف می‌کنند، زیرا محققان «نمی‌خواهند» مدل «اعلان‌های حق نسخه‌برداری» را برای کاربران ارسال کند.
استیون لیبرمن، مشاور نیویورک دیلی نیوز، در بیانیه ای که با TechCrunch به اشتراک گذاشته شد، گفت: شواهدی که برای اولین بار در اینجا فاش شد نشان می دهد که OpenAI و مایکروسافت می دانستند کاری که انجام می دهند اشتباه است.
برای مبارزه با استفاده منصفانه چه معنایی دارد
این سوال که آیا شرکت‌های هوش مصنوعی می‌توانند به طور قانونی در مورد مطالب دارای حق چاپ بدون مجوز آموزش ببینند، حل نشده باقی مانده است، اما قضات تاکنون عمدتاً با استدلال‌های استفاده منصفانه شرکت‌های هوش مصنوعی موافق بوده‌اند. در اوایل این ماه، دولت ترامپ در دفاع از استفاده بدون مجوز OpenAI از مطالب دارای حق چاپ برای آموزش مدل‌های زبان بزرگ خود، مختصری ارائه داد.
با این حال، تعدادی از پذیرش‌های جدید با الزامات آسیب بازار آزمون استفاده منصفانه مخالف هستند - این ایده که استفاده نباید جایگزین یا پایین‌تر از بازار کار اصلی باشد. اظهارات داخلی مبنی بر اینکه این محصولات "تا حد زیادی جایگزین" هستند، همراه با داده های خود مایکروسافت که نشان دهنده سقوط 93 درصدی کلیک از طریق آن است، ملموس ترین شواهد تایمز را در مورد جایگزینی بازار ارائه می دهد.
این پرونده جدیدترین تشدید پرونده ای است که به نبرد قانونی تعیین کننده در مورد نحوه دستیابی شرکت های هوش مصنوعی به داده های آموزشی تبدیل شده است. نتیجه هرچه که باشد، سوابق ویرایش نشده اکنون نشان می‌دهد که مدیران خود شرکت‌ها تنش را زود درک کرده‌اند - و آن را به صورت مکتوب بیان کردند.
برای ادامه پوشش مبارزات قانونی شکل دهنده هوش مصنوعی، آخرین اخبار هوش مصنوعی و تجزیه و تحلیل عمیق مواردی که صنعت را تعریف می کند را دنبال کنید.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
