न्यू यॉर्क टाइम्सच्या OpenAI आणि Microsoft विरुद्धच्या कॉपीराइट खटल्यातील नवीन अनियंत्रित सामग्रीमध्ये धक्कादायक अंतर्गत प्रवेशांची मालिका उघडकीस आली आहे — ज्यात मायक्रोसॉफ्टचे उच्च अधिकारी खाजगीरित्या कंपन्यांच्या AI प्रशिक्षण पद्धतींचे चोरी म्हणून वर्णन करतात आणि OpenAI च्या स्वतःच्या नेतृत्वाने कबूल केले आहे की त्याचा चॅटबॉट प्रशिक्षित प्रकाशकांसाठी "अस्तित्वाचा धोका" आहे.
TechCrunch ने गुरुवारी नोंदवलेले फाइलिंग, The Times ने प्रथम खटला दाखल केल्यानंतर तीन वर्षांनंतर आला आहे, असा आरोप आहे की कंपन्यांनी त्याच्या सामग्रीवर जनरेटिव्ह AI मॉडेल्सचे प्रशिक्षण देऊन कॉपीराइट कायद्याचे उल्लंघन केले आहे. कंपन्यांनी कथितपणे ती सामग्री कशी मिळवली आणि कशी वापरली याचा तपशील नव्याने दिसणाऱ्या मटेरियलमध्ये आहे: न सापडलेल्या पेवॉलला बायपास करणे, मोठ्या प्रमाणावर स्क्रॅपिंगद्वारे प्रशिक्षण डेटासेट तयार करणे आणि प्रशिक्षण डेटामधून कॉपीराइट सूचना जाणूनबुजून काढून टाकणे. For more context on this story, see our ongoing AI industry coverage.
हे लक्षात घेण्यासारखे आहे की टेकक्रंचने स्वतःच ध्वजांकित केलेली सावधगिरी आहे: बहुतेक नवीन माहिती अंतर्निहित प्रदर्शनांऐवजी द टाइम्सच्या स्वतःच्या संक्षिप्तातून येते, जे सीलबंद राहतात आणि कोट त्यांच्या मूळ संदर्भाशिवाय सादर केले जातात.
प्रकाशकांसाठी 'अ डूम लूप'
सर्वात परिणामकारक खुलासेंपैकी मायक्रोसॉफ्टचा स्वतःचा डेटा म्हणजे त्याच्या कोपायलट "उत्तर इंजिन" ने द टाइम्सच्या वेबसाइटवर रहदारीसाठी काय केले. फाइलिंगनुसार, मायक्रोसॉफ्टचे अंतर्गत आकडे दाखवतात की Copilot मुळे nytimes.com डोमेनचे क्लिक-थ्रू दर पारंपारिक Bing शोधाच्या तुलनेत 93 टक्क्यांनी कमी झाले.
जानेवारी 2024 मध्ये मायक्रोसॉफ्टचे अप्लाइड सायन्सचे संचालक ब्रेंट हेच्ट यांनी लिहिलेल्या अंतर्गत सादरीकरणात या घसरणीचे वर्णन "डूम लूप" असे केले आहे जे "आमच्या मॉडेल्सच्या आणि संपूर्ण वेबच्या कार्यक्षमतेवर एकाच वेळी नुकसान करेल."
"अंतिम-उत्पादनामुळे त्याच्या अत्यावश्यक पुरवठादारांच्या आर्थिक पायाला धोका निर्माण होतो हे अत्यंत असामान्य आहे, परंतु आमच्या LLM व्यवसायासाठी त्याच्या 'सामग्री पुरवठा साखळी' संदर्भात आम्ही ही परिस्थिती निर्माण केली आहे," मायक्रोसॉफ्ट दस्तऐवज वाचतो, फाइलिंगमध्ये उद्धृत केल्याप्रमाणे.
प्रवेश थेट वाजवी-वापराच्या संरक्षणाच्या एका खांबाच्या विरुद्ध आहे ज्यावर AI कंपन्यांनी विसंबून ठेवले आहे: वापर मूळ कामाला पर्याय देत नाही किंवा त्याच्या बाजाराला हानी पोहोचवत नाही.
कार्यकारीांचे स्वतःचे शब्द रेकॉर्डमध्ये प्रविष्ट करतात
न संरचित केलेल्या फाइलिंगमध्ये कंपन्यांच्या सर्वात वरिष्ठ व्यक्तींकडून स्पष्ट मूल्यांकन देखील घेतले जाते.
मायक्रोसॉफ्टचे सीईओ सत्या नाडेला यांनी या वर्षाच्या सुरुवातीला दिलेल्या निवेदनात साक्ष दिली की "पेवॉल केलेली कोणतीही गोष्ट ज्यांना ती वापरायची आहे ... ग्राउंडिंग किंवा प्रशिक्षणासाठी त्याचा परवाना मिळावा." नडेला यांनी स्पष्ट केले की जर त्यांना "ओपनएआयने पेवॉलच्या मागे असलेली माहिती स्क्रॅप केली आणि प्रशिक्षण दिले असेल तर" त्यांनी "[मायक्रोसॉफ्टचा अधिकार] ओपनएआयला त्याचे मॉडेल पुन्हा प्रशिक्षित करण्याची मागणी केली असती."
चॅटबॉट्सशी संभाषण केल्याने "अंतरनिहित स्त्रोताकडे जाण्याची गरज नसून एआय प्लॅटफॉर्मवरील वेबसाइटवर तुम्हाला माहिती देणे बदलले आहे ..." असे नडेला यांनी शपथेनुसार मान्य केले.
ओपनएआयच्या बाजूने, चॅटजीपीटीचे कंपनीचे प्रमुख निक टर्ली यांनी अंतर्गत संप्रेषणांमध्ये लिहिले की प्रकाशकांना चॅटबॉट सारख्या उत्पादनांकडून "अस्तित्वाचा धोका" आहे, जे "मोठ्या प्रमाणात पर्यायी" आहेत आणि "जसे अधिक चांगले होतील तसे अधिकाधिक पर्यायी होतील." ओपनएआयचे अध्यक्ष ग्रेग ब्रॉकमन यांनी मॉडेलचे वर्णन "बातमीत उत्कृष्ट" असे केले.
आणि जानेवारी 2023 च्या अंतर्गत मेमोमध्ये, Hecht - त्याच मायक्रोसॉफ्ट एक्झिक्युटिव्ह ज्याने नंतर "डूम लूप" ला ध्वजांकित केले - स्क्रॅपिंगला "अभूतपूर्व प्रमाणाची आश्चर्यकारक चोरी" आणि "मानवी इतिहासातील श्रमाची सर्वात मोठी चोरी" असे म्हटले.
कॉपी करण्याचे पूर्ण प्रमाण
कागदपत्रे पूर्वी उघड न केलेल्या प्रमाणात कॉपीचे प्रमाण ठरवतात. एकट्या OpenAI च्या मिड-ट्रेनिंग डेटासेटमध्ये, द न्यूयॉर्क टाइम्स, न्यूयॉर्क डेली न्यूज आणि सेंटर फॉर इन्व्हेस्टिगेटिव्ह रिपोर्टिंग यांनी प्रकाशित केलेल्या कामांच्या 91,692 पेक्षा जास्त प्रती आहेत.
कॉमन क्रॉल, वेब क्रॉल डेटाच्या मुक्त खुल्या भांडारातून मिळवलेल्या डेटासेटमध्ये एकट्या nytimes.com वरील 2 दशलक्षाहून अधिक दस्तऐवजांचा समावेश आहे. फाइलिंगमध्ये प्रोजेक्ट मँगो, मायक्रोसॉफ्ट-ओपनएआय डेटा उपक्रमाचे वर्णन देखील केले आहे ज्याच्या एकत्रित प्रशिक्षण डेटासेटमध्ये बातम्या प्रकाशकांच्या किमान 160,903 अद्वितीय कामांच्या प्रती आहेत. ओपनएआयने आपला संपूर्ण GPT-3 प्रशिक्षण डेटासेट मायक्रोसॉफ्टला मूल्यांकनासाठी वितरित केला, फाइलिंगमध्ये म्हटले आहे, आणि मायक्रोसॉफ्टने त्याचप्रमाणे प्रोजेक्ट टॅक्सी आणि प्रोजेक्ट मँगो नावाच्या उपक्रमांद्वारे ओपनएआयला प्रशिक्षण डेटा प्रदान केला.
OpenAI कर्मचाऱ्यांनी कथितरित्या WebText आणि WebText2 सारखे प्रारंभिक प्रशिक्षण डेटासेट तयार केले जे स्क्रॅप केलेल्या बातम्यांच्या सामग्रीवर असमानतेने अवलंबून होते.
पेवॉल हॅक आणि स्ट्रिप केलेल्या कॉपीराइट सूचना
कदाचित सर्वात ज्वलंत तपशील सामग्री कशी प्राप्त झाली याबद्दल चिंता करते. जेव्हा ओपनएआयचे संशोधक निक रायडर यांनी ब्रॉकमॅनला "हॅक टू गेट अराउंड नाईटाईम पेवॉल" बद्दल सांगितले तेव्हा ब्रॉकमन - फाइलिंग म्हणते - उत्तर दिले: "अरे छान."
फाइलिंग्जमध्ये मॉडेलपर्यंत पोहोचण्यापूर्वी प्रशिक्षण डेटामधून कॉपीराइट सूचना काढून टाकण्याच्या हेतुपुरस्सर प्रयत्नांचे वर्णन केले आहे, कारण संशोधकांना मॉडेल वापरकर्त्यांना "कॉपीराइट सूचना" आउटपुट करणे "नको आहे".
न्यू यॉर्क डेली न्यूजचे वकील स्टीव्हन लिबरमन यांनी टेकक्रंचशी शेअर केलेल्या निवेदनात म्हटले आहे की, "येथे प्रथमच उघड झालेल्या पुराव्यावरून हे दिसून येते की OpenAI आणि मायक्रोसॉफ्टला माहित होते की ते जे करत होते ते चुकीचे होते."
योग्य वापराच्या लढ्यासाठी याचा अर्थ काय आहे
एआय कंपन्या परवान्याशिवाय कॉपीराइट केलेल्या सामग्रीवर कायदेशीररित्या प्रशिक्षण देऊ शकतात का हा प्रश्न अनिश्चित आहे, परंतु न्यायाधीश आतापर्यंत एआय कंपन्यांच्या वाजवी-वापराच्या युक्तिवादांना अनुकूल आहेत. या महिन्याच्या सुरुवातीला, ट्रम्प प्रशासनाने OpenAI च्या मोठ्या भाषेच्या मॉडेल्सना प्रशिक्षित करण्यासाठी कॉपीराइट केलेल्या सामग्रीच्या विनापरवाना वापराच्या संरक्षणासाठी थोडक्यात योगदान दिले.
तरीही अनेक नवीन प्रवेश वाजवी-वापर चाचणीच्या बाजार-हानीच्या गरजेच्या विरुद्ध आहेत - ही कल्पना मूळ कामासाठी वापरण्याने पर्यायी किंवा कमी करू नये. अंतर्गत विधाने की उत्पादने "मोठ्या प्रमाणात पर्यायी" आहेत, मायक्रोसॉफ्टच्या स्वतःच्या डेटासह एकत्रितपणे 93 टक्के क्लिक-थ्रू कोलॅप्स दर्शविते, द टाइम्सच्या बाजूने मार्केट प्रतिस्थापनाचा सर्वात ठोस पुरावा देतात.
एआय कंपन्या प्रशिक्षण डेटा कसा मिळवतात यावरील परिभाषित कायदेशीर लढाई बनलेल्या प्रकरणात दाखल करणे ही नवीनतम वाढ आहे. परिणाम काहीही असो, न केलेले रेकॉर्ड आता असे दर्शविते की कंपन्यांच्या स्वतःच्या अधिकाऱ्यांना तणाव लवकर समजला — आणि ते लिखित स्वरूपात ठेवले.
आर्टिफिशियल इंटेलिजन्सला आकार देणाऱ्या कायदेशीर लढाईच्या कव्हरेजसाठी, आमच्या नवीनतम AI बातम्यांचे अनुसरण करा आणि उद्योगाला परिभाषित करणाऱ्या प्रकरणांचे सखोल विश्लेषण करा.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
