OpenAIとMicrosoftに対するニューヨーク・タイムズ紙の著作権訴訟の未編集の新たな資料は、一連の衝撃的な内部自白を明らかにしている。その中には、Microsoftの幹部が同社のAIトレーニング実践を窃盗であると非公式に述べたことや、OpenAI自身のリーダーシップが、自社のチャットボットがトレーニングを行ったパブリッシャーに「存続の脅威」をもたらしていることを認めていることが含まれる。
TechCrunchが木曜日に報じたこの訴状は、タイムズ紙がコンテンツに基づいて生成AIモデルをトレーニングすることで著作権法に違反したとして、最初に訴訟を起こしてから3年後に提出されたものである。新たに公開された資料では、企業がそのコンテンツをどのように入手して使用したとされるのか、つまりペイウォールを検出されずにバイパスし、マススクレイピングを通じてトレーニングデータセットを構築し、トレーニングデータから著作権表示を意図的に削除したのかが詳述されている。 この件の詳細は、人工知能の最新情報をご覧ください。
TechCrunch自体が警告を発したことは注目に値する。新しい情報の多くは、封印されたままの基礎となる展示物ではなく、タイムズ紙自身の要約から来ており、引用は元の文脈なしで提示されている。
パブリッシャーにとっての「破滅のループ」
最も重大な暴露の一つは、Copilot の「応答エンジン」がタイムズの Web サイトへのトラフィックに何を行ったかに関する Microsoft 自身のデータです。提出書類によると、Microsoft の内部統計によると、Copilot のせいで nytimes.com ドメインのクリックスルー率が従来の Bing 検索と比較して 93% も低下したという。
Microsoftの応用科学部門ディレクター、ブレント・ヘクト氏が2024年1月に執筆した社内プレゼンテーションでは、この衰退を「当社のモデルとウェブ全体のパフォーマンスに同時に悪影響を与える」「破滅のループ」と説明した。
「最終製品がその重要なサプライヤーの経済的基盤を脅かすことは非常に異例ですが、その『コンテンツ サプライ チェーン』に関して当社が LLM ビジネスに対してこのような状況を作り出したのです」と Microsoft の文書には記載されています。
この承認は、AI企業が依存してきたフェアユースの抗弁の1つの柱、つまり、その使用がオリジナルの著作物を代替したり、その市場に損害を与えたりするものではないことを真っ向から否定するものである。
幹部自身の言葉が記録に残る
編集されていない提出書類には、企業の最上位人物からの率直な評価も収録されています。
Microsoftの最高経営責任者（CEO）サティア・ナデラ氏は今年初めの宣誓供述書で、「ペイウォールで保護されているものはすべて、使いたい人は誰でもライセンスを取得すべきだ…グラウンディングやトレーニングのために使用する必要がある」と証言した。ナデラ氏は、もし「OpenAIがペイウォールの背後にある情報をスクレイピングし、トレーニングしたことを知っていたら」、「OpenAIにモデルの再トレーニングを要求する[Microsoftの権利]を発動しただろう」と明言した。
ナデラ氏はまた、チャットボットとの会話が「基盤となる情報源にアクセスする必要がなく、AI プラットフォーム上の Web サイト上にある情報を提供することに代わる」という宣誓にも同意した。
OpenAI側では、同社のChatGPT責任者であるニック・ターリー氏が内部通信で、パブリッシャーはチャットボットのような製品による「存続の脅威」に直面しており、これらの製品は「ほとんどが代替的」であり、「改良が進むにつれて代替性がさらに高まるだろう」と書いている。 OpenAI の社長グレッグ ブロックマン氏は、このモデルを「ニュースに優れている」と評しました。
そして、2023年1月の社内メモの中で、ヘクト氏（後に「破滅のループ」に警告を発したのと同じマイクロソフト幹部）は、スクレイピングを「前例のない規模の驚くべき窃盗」であり、「人類史上最大の労働力の窃盗」と呼んだ。
コピーの巨大さ
文書は、これまでに開示されていない規模でコピーを定量化している。提出書類によれば、OpenAI の中間トレーニング データセットだけでも、ニューヨーク タイムズ、ニューヨーク デイリー ニュース、および調査報道センターが発行した著作物の 91,692 部以上のコピーが含まれています。
Web クロール データの無料のオープン リポジトリである Common Crawl から派生したデータセットには、nytimes.com だけで 200 万を超えるドキュメントが含まれていました。この申請書では、Microsoft と OpenAI のデータ イニシアチブである Project Mango についても説明されており、その組み立てられたトレーニング データセットには、ニュース発行者からの少なくとも 160,903 のユニークな作品のコピーが含まれています。提出書類によれば、OpenAI は評価のために GPT-3 トレーニング データセット全体を Microsoft に提供し、Microsoft も同様に Project Taxi および Project Mango と呼ばれる取り組みを通じて OpenAI にトレーニング データを提供しました。
また、OpenAI の従業員は、スクレイピングされたニュース コンテンツに過度に依存する WebText や WebText2 などの初期のトレーニング データセットを構築したとされています。
ペイウォールのハッキングと著作権表示の剥奪
おそらく最も鮮明な詳細は、コンテンツがどのように取得されたかに関するものです。 OpenAIの研究者であるニック・ライダー氏がブロックマン氏に「夜間のペイウォールを回避するためのハック」について語ったところ、ブロックマン氏は（提出書類には）「ああ、それはいいですね」と答えたという。
提出書類にはさらに、研究者がモデルがユーザーに「著作権表示」を出力することを「望まない」ため、モデルに到達する前にトレーニングデータから著作権表示を削除する意図的な取り組みについても説明されている。
「ここで初めて明らかになった証拠は、OpenAIとMicrosoftが自分たちのやっていることは間違っていると認識していたことを示している」とニューヨーク・デイリー・ニュースの弁護士スティーブン・リーバーマン氏はTechCrunchと共有した声明の中で述べた。
フェアユース闘争にとっての意味
AI企業がライセンスなしで著作権で保護された素材を合法的にトレーニングできるかどうかという問題はまだ解決されていないが、判事らはこれまでAI企業のフェアユースの主張におおむね好意的だった。今月初め、トランプ政権は、OpenAIが大規模な言語モデルをトレーニングするために著作権で保護された素材を無許可で使用していることを擁護する準備書面を寄稿した。
しかし、新たな許可のいくつかは、フェアユーステストの市場損害要件、つまり使用がオリジナル作品の市場を代替したり、市場を損なったりしてはならないという考えに反している。これらの製品は「ほぼ代替的」であるという社内声明と、93% のクリックスルー崩壊を示すマイクロソフト自身のデータを組み合わせると、タイムズ側は市場代替品のこれまでで最も具体的な証拠を得ることができる。
この訴訟は、AI企業がトレーニングデータを取得する方法をめぐる法廷闘争を決定的にする訴訟の最新のエスカレーションである。結果が何であれ、編集されていない記録は、企業自身の経営陣がこの緊張を早くから理解し、それを文書に残していたことを示している。
人工知能を形成する法廷闘争を継続的に報道するには、最新の AI ニュースと、業界を定義する訴訟の詳細な分析をフォローしてください。
---
AIの最新情報をお届けAIの最新ニュース、分析、ブレイクスルーを一箇所で。
AIニュースをもっと読む →
