Nytt oredigerat material i The New York Times upphovsrättsprocess mot OpenAI och Microsoft avslöjar en serie slående interna erkännanden – inklusive en toppchef från Microsoft som privat beskriver företagens AI-träningsmetoder som stöld, och OpenAI:s eget ledarskap som erkänner att dess chatbot utgör ett "existentiellt hot" mot de utgivare vars arbete tränas.
Anmälan, som rapporterades av TechCrunch på torsdagen, anländer tre år efter att The Times först stämde, och hävdade att företagen brutit mot upphovsrättslagen genom att utbilda generativa AI-modeller om dess innehåll. Det nyligen synliga materialet beskriver hur företagen påstås ha skaffat och använt innehållet: att kringgå betalväggar oupptäckta, bygga utbildningsdataset genom massskrapning och avsiktligt ta bort upphovsrättsmeddelanden från utbildningsdata. For more context on this story, see our ongoing AI news.
Det är värt att notera varningen TechCrunch själv flaggade: mycket av den nya informationen kommer från The Times egen kort snarare än de underliggande utställningarna, som förblir förseglade, och citaten presenteras utan sitt ursprungliga sammanhang.
'A Doom Loop' för utgivare
Bland de mest följdriktiga avslöjandena är Microsofts egna uppgifter om vad deras Copilot "svarsmotor" gjorde för att trafikera The Times webbplats. Enligt anmälan visar Microsofts interna siffror att Copilot orsakade klickfrekvensen för nytimes.com-domänen att sjunka med så mycket som 93 procent jämfört med traditionell Bing-sökning.
En intern presentation skriven av Microsofts direktör för tillämpad vetenskap, Brent Hecht, i januari 2024 beskrev nedgången som en "undergångsslinga" som skulle "skada prestandan för våra modeller och hela webben på samma gång."
"Det är högst ovanligt att en slutprodukt hotar de ekonomiska grunderna för dess viktiga leverantörer, men det är den situation vi har skapat för vår LLM-verksamhet med avseende på dess "försörjningskedja för innehåll", står det i Microsoft-dokumentet, som citeras i ansökan.
Erkännandet strider direkt mot en pelare i det rättvisa försvaret som AI-företag har förlitat sig på: att användningen inte ersätter det ursprungliga verket eller skadar dess marknad.
Chefers egna ord Skriv in posten
De oredagerade arkiven fångar också uppriktiga bedömningar från företagens högsta personer.
Microsofts vd Satya Nadella vittnade i en deposition tidigare i år att "allt som är betalvägg bör licenseras av alla som vill använda det...för jordning eller träning." Nadella gjorde klart att om han "hade blivit medveten om att OpenAI hade skrapat och tränat på information som låg bakom en betalvägg", skulle han ha "åberopat [Microsofts rätt att] kräva att OpenAI omskolar sina modeller."
Nadella gick också under ed på att samtal med chatbots "har ersatt ... att ge dig informationen direkt på webbplatsen på AI-plattformen kontra att behöva gå till den underliggande källan."
På OpenAI-sidan skrev Nick Turley, företagets chef för ChatGPT, i intern kommunikation att utgivare står inför ett "existentiellt hot" från produkter som chatboten, som är "till stor del substituerande" och "kommer att bli mer och mer substituerande när de blir bättre." OpenAI-president Greg Brockman beskrev modellerna som "utmärkta på nyheter."
Och i ett internt memo från januari 2023 kallade Hecht – samma Microsoft-chef som senare flaggade för "domeslingan" – skrapningen "en häpnadsväckande stöld av oöverträffade proportioner" och "den största stölden av arbetskraft i mänsklighetens historia."
Kopieringens stora skala
Dokumenten kvantifierar kopieringen i en skala som inte tidigare avslöjats. Enbart OpenAI:s mitten av utbildningsdatauppsättningar, enligt arkivet, innehåller mer än 91 692 kopior av verk publicerade av The New York Times, New York Daily News och Center for Investigative Reporting.
En datauppsättning som härrörde från Common Crawl, det fria öppna arkivet för webbgenomsökningsdata, inkluderade mer än 2 miljoner dokument enbart från nytimes.com. Registreringen beskriver också Project Mango, ett Microsoft-OpenAI-datainitiativ vars sammansatta träningsdatauppsättning innehåller kopior av minst 160 903 unika verk från nyhetsutgivarna. OpenAI levererade hela sin GPT-3-utbildningsdatauppsättning till Microsoft för utvärdering, säger anmälan, och Microsoft tillhandahöll på liknande sätt utbildningsdata till OpenAI genom initiativ som kallas Project Taxi och Project Mango.
OpenAI-anställda påstås också ha byggt tidiga utbildningsdatauppsättningar som WebText och WebText2 som i oproportionerligt hög grad förlitade sig på skrapat nyhetsinnehåll.
Paywall Hacks och avskalad upphovsrätt
De kanske mest levande detaljerna rör hur innehållet erhölls. När OpenAI-forskaren Nick Ryder berättade för Brockman om ett "hack för att komma runt nytimes paywall", svarade Brockman - det står i arkivet - "ah nice."
Anmälningarna beskriver vidare avsiktliga ansträngningar att ta bort upphovsrättsmeddelanden från utbildningsdata innan den nådde modellen, eftersom forskare "inte skulle vilja att" modellen matar ut "upphovsrättsmeddelanden" till användarna.
"Bevisen som avslöjas här för första gången visar att OpenAI och Microsoft visste att det de gjorde var fel", sa Steven Lieberman, advokat för New York Daily News, i ett uttalande som delas med TechCrunch.
Vad det betyder för kampen om rimlig användning
Frågan om huruvida AI-företag lagligt kan träna på upphovsrättsskyddat material utan licens förblir olöst, men domare har hittills i stort sett varit positiva till AI-företags argument för skälig användning. Tidigare denna månad bidrog Trump-administrationen med ett kort till försvar av OpenAI:s olicensierade användning av upphovsrättsskyddat material för att träna sina stora språkmodeller.
Ändå strider flera av de nya erkännandena mot fair-use-testets krav på marknadsskador – tanken att användningen inte får ersätta eller underskrida marknaden för originalverket. Interna uttalanden om att produkterna är "till stor del substituerande", i kombination med Microsofts egna data som visar en kollaps av 93 procent genom klick, ger The Times sida dess mest konkreta bevis hittills på marknadssubstitution.
Anmälan är den senaste eskaleringen i ett fall som har blivit den avgörande juridiska striden om hur AI-företag skaffar utbildningsdata. Oavsett utfall visar det oredagerade dokumentet nu att företagens egna chefer förstod spänningen tidigt — och skrev det på skrift.
För fortsatt bevakning av de juridiska striderna som formar artificiell intelligens, följ våra senaste AI-nyheter och djupgående analys av de fall som kommer att definiera branschen.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
