Das Plagiat-Problem: Wie generative KI-Modelle urheberrechtlich geschütztes Material reproduzieren

Die raschen Fortschritte in der generativen KI haben Begeisterung über das kreative Potenzial dieser Technologie ausgelöst. Doch diese leistungsstarken Modelle bergen auch Risiken im Hinblick auf die Reproduktion urheberrechtlich geschützten oder plagiierten Materials ohne ordnungsgemäße Quellenangabe.

Wie neuronale Netze Trainingsdaten aufnehmen

Moderne KI-Systeme wie GPT-3 werden durch ein Verfahren namens Transfer-Lernen trainiert. Sie nehmen riesige Datensätze auf, die aus öffentlichen Quellen wie Websites, Büchern, wissenschaftlichen Artikeln und mehr stammen. Zum Beispiel umfasste GPT-3s Trainingsdaten 570 Gigabyte Text. Während des Trainings sucht die KI nach Mustern und statistischen Beziehungen in diesem riesigen Datensatz. Sie lernt die Korrelationen zwischen Wörtern, Sätzen, Absätzen, Sprachstruktur und anderen Merkmalen.

Dies ermöglicht es der KI, neue kohärente Texte oder Bilder zu generieren, indem sie Sequenzen vorhersagt, die wahrscheinlich einer gegebenen Eingabe oder einem Prompt folgen. Aber es bedeutet auch, dass diese Modelle Inhalte aufnehmen, ohne Rücksicht auf Urheberrechte, Quellenangaben oder Plagiatrisiken. Als Ergebnis können generative KI-Modelle unbeabsichtigt wörtliche Passagen oder paraphrasierte urheberrechtlich geschützte Texte aus ihren Trainingskorpora reproduzieren.

Beispiele für KI-Plagiate

Bedenken hinsichtlich KI-Plagiaten kamen erstmals 2020 nach der Veröffentlichung von GPT auf.

Jüngste Forschungsergebnisse haben gezeigt, dass große Sprachmodelle (LLM) wie GPT-3 erhebliche wörtliche Passagen aus ihren Trainingsdaten ohne Zitation reproduzieren können (Nasr et al., 2023; Carlini et al., 2022). Zum Beispiel enthüllte eine Klage der New York Times, dass OpenAI-Software New-York-Times-Artikel fast wörtlich generierte (The New York Times, 2023).

Diese Ergebnisse deuten darauf hin, dass einige generative KI-Systeme unerwünschte plagiierte Ausgaben produzieren können, was das Risiko von Urheberrechtsverletzungen birgt. Allerdings bleibt die Häufigkeit ungewiss aufgrund der “Black-Box”-Natur von LLM. Die Klage der New York Times argumentiert, dass solche Ausgaben eine Verletzung darstellen, was erhebliche Auswirkungen auf die Entwicklung generativer KI haben könnte. Insgesamt deuten die Beweise darauf hin, dass Plagiate ein inhärentes Problem in großen neuronalen Netzmodellen sind, das Vigilanz und Sicherheitsvorkehrungen erfordert.

Diese Fälle zeigen zwei wichtige Faktoren, die das Risiko von KI-Plagiaten beeinflussen:

1. Modellgröße – Größere Modelle wie GPT-3.5 sind eher geneigt, wörtliche Textpassagen zu regenerieren, im Vergleich zu kleineren Modellen. Ihre größeren Trainingsdatensätze erhöhen die Exposition gegenüber urheberrechtlich geschütztem Quellenmaterial.
2. Trainingsdaten – Modelle, die auf gesammelten Internetdaten oder urheberrechtlich geschützten Werken (auch wenn lizenziert) trainiert werden, sind eher geneigt, zu plagieren, im Vergleich zu Modellen, die auf sorgfältig kuratierten Datensätzen trainiert werden.

Allerdings ist es schwierig, das Ausmaß plagiierten Ausgaben direkt zu messen. Die “Black-Box”-Natur von neuronalen Netzen macht es schwierig, den Zusammenhang zwischen Trainingsdaten und Modellausgaben vollständig zu verfolgen. Die Raten hängen wahrscheinlich stark von Modellarchitektur, Datensatzqualität und Prompt-Formulierung ab. Aber diese Fälle bestätigen, dass solche KI-Plagiate unzweifelhaft auftreten, was erhebliche rechtliche und ethische Auswirkungen hat.

Aufkommende Plagiat-Erkennungssysteme

Als Reaktion darauf haben Forscher begonnen, KI-Systeme zu entwickeln, um automatisch Texte und Bilder zu erkennen, die von Modellen generiert wurden, im Vergleich zu solchen, die von Menschen erstellt wurden. Zum Beispiel schlugen Forscher bei Mila ein System namens GenFace vor, das linguistische Muster analysiert, die auf AI-generierten Texten hinweisen. Das Startup Anthropic hat auch interne Plagiat-Erkennungsfähigkeiten für seine konversationale KI Claude entwickelt.

Allerdings haben diese Tools Einschränkungen. Die riesigen Trainingsdaten von Modellen wie GPT-3 machen es schwierig, die ursprünglichen Quellen plagiierten Textes genau zu identifizieren, wenn nicht unmöglich. Robustere Techniken werden benötigt, während generative Modelle weiterhin rasch evolvieren. Bis dahin bleibt die manuelle Überprüfung unerlässlich, um potenziell plagiierte oder verletzende KI-Ausgaben vor der öffentlichen Verwendung zu filtern.

Best Practices zur Minimierung von KI-Plagiaten

Hier sind einige Best Practices, die sowohl KI-Entwickler als auch Anwender anwenden können, um Plagiatrisiken zu minimieren:

Für KI-Entwickler:

• Sorgen Sie dafür, dass Trainingsdatenquellen sorgfältig geprüft werden, um urheberrechtlich geschütztes oder lizenziertes Material ohne ordnungsgemäße Genehmigung auszuschließen.
• Entwickeln Sie strenge Daten-Dokumentations- und Herkunftsverfolgungsverfahren. Dokumentieren Sie Metadaten wie Lizenzen, Tags, Ersteller usw.
• Implementieren Sie Plagiat-Erkennungstools, um hochriskante Inhalte vor der Veröffentlichung zu identifizieren.
• Stellen Sie Transparenzberichte bereit, die Trainingsdatenquellen, Lizenzen und Ursprünge von KI-Ausgaben detaillieren, wenn Bedenken aufkommen.
• Ermöglichen Sie es Erstellern, sich leicht von Trainingsdatensätzen auszuschließen. Kommen Sie schnell nach, wenn es um Entfernungs- oder Ausschlussanfragen geht.

Für generative KI-Anwender:

• Überprüfen Sie Ausgaben gründlich auf potenziell plagiierte oder unzitierte Passagen, bevor Sie sie im großen Maßstab einsetzen.
• Behandeln Sie KI nicht als vollständig autonome kreative Systeme. Lassen Sie menschliche Prüfer die endgültigen Inhalte überprüfen.
• Favorisieren Sie KI-unterstützte menschliche Kreation gegenüber der Erstellung von völlig neuen Inhalten aus dem Nichts. Verwenden Sie Modelle für Paraphrasierung oder Ideenfindung anstelle von völlig neuen Inhalten.
• Konsultieren Sie die Nutzungsbedingungen, Inhaltsrichtlinien und Plagiat-Schutzmaßnahmen des KI-Anbieters, bevor Sie sie verwenden. Vermeiden Sie undurchsichtige Modelle.
• Zitieren Sie Quellen klar, wenn urheberrechtlich geschütztes Material in der endgültigen Ausgabe erscheint, trotz aller Bemühungen. Stellen Sie KI-Arbeit nicht als völlig originär dar.
• Begrenzen Sie die Weitergabe von Ausgaben auf private oder vertrauliche Kanäle, bis Plagiatrisiken weiter bewertet und angegangen werden können.

Strengere Regulierungen von Trainingsdaten können auch gerechtfertigt sein, während generative Modelle weiterhin verbreitet werden. Dies könnte die Anforderung von Opt-in-Einwilligung von Erstellern vor der Hinzufügung ihrer Arbeit zu Datensätzen beinhalten. Allerdings liegt die Verantwortung bei beiden Entwicklern und Anwendern, ethische KI-Praktiken anzuwenden, die die Rechte von Inhabern von geistigen Eigentumsrechten respektieren.

Plagiate in Midjourneys V6 Alpha

Nach begrenzter Eingabe Midjourneys V6-Modell konnten einige Forscher fast identische Bilder zu urheberrechtlich geschützten Filmen, Fernsehsendungen und Videospielscreenshots generieren, die wahrscheinlich in den Trainingsdaten enthalten waren.

Bilder, die von Midjourney erstellt wurden und Szenen aus bekannten Filmen und Videospielen ähneln

Diese Experimente bestätigen weiterhin, dass sogar state-of-the-art-Visuelle KI-Systeme urheberrechtlich geschütztes Material plagieren können, wenn die Herkunft der Trainingsdaten nicht überprüft wird. Es unterstreicht die Notwendigkeit von Wachsamkeit, Sicherheitsvorkehrungen und menschlicher Überwachung bei der kommerziellen Einsetzung generativer Modelle, um Verletzungsrisiken zu begrenzen.

Reaktionen von KI-Unternehmen auf urheberrechtlich geschütztes Material

Die Grenzen zwischen menschlicher und KI-Kreativität werden immer verschwommener, was komplexe Urheberrechtsfragen aufwirft. Werke, die menschliche und KI-Eingaben kombinieren, können möglicherweise nur in Aspekten urheberrechtlich geschützt werden, die ausschließlich von Menschen ausgeführt werden.

Das US-Urheberrechtsamt hat kürzlich dem Großteil eines AI-menschlichen Grafikromans den Urheberrechtsschutz verweigert, da es die KI-Kunst als nicht-menschlich einstufte. Es hat auch Richtlinien erlassen, die KI-Systeme vom “Urheber” ausschließen. Bundesgerichte haben diese Haltung in einem Urheberrechtsfall für KI-Kunst bestätigt.

Währenddessen behaupten Klagen, dass generative KI-Modelle wie Getty v. Stability AI und Künstler v. Midjourney/Stability AI Urheberrechtsverletzungen begangen haben. Aber ohne “Urheber” fragen sich einige, ob Verletzungsansprüche anwendbar sind.

Als Reaktion darauf argumentierten große KI-Unternehmen wie Meta, Google (GOOGL ), Microsoft (MSFT ) und Apple (AAPL ), dass sie keine Lizenzen oder Royaltys für die Verwendung urheberrechtlich geschützter Daten zum Trainieren von KI-Modellen benötigen.

Hier ist eine Zusammenfassung der wichtigsten Argumente von großen KI-Unternehmen als Reaktion auf potenzielle neue US-Urheberrechtsgesetze rund um KI, mit Zitaten:

Meta argumentiert, dass die Einführung von Lizenzen jetzt Chaos verursachen und den Urheberrechtsinhabern wenig Nutzen bringen würde.

Google behauptet, dass das KI-Training analog zu nicht-verletzenden Handlungen wie dem Lesen eines Buches ist (Google, 2022).

Microsoft warnt, dass eine Änderung des Urheberrechts kleinen KI-Entwicklern Nachteile bringen könnte.

Apple möchte urheberrechtlich geschützten Code kontrollieren, der von menschlichen Entwicklern gesteuert wird.

Insgesamt lehnen die meisten Unternehmen neue Lizenzanforderungen ab und spielen Bedenken hinsichtlich der Reproduktion urheberrechtlich geschützter Werke durch KI-Systeme herunter. Allerdings ist diese Haltung umstritten angesichts jüngster KI-Urheberrechtsklagen und Debatten.

Wege für verantwortungsvolle generative KI-Innovation

Da diese leistungsstarken generativen Modelle weiterhin voranschreiten, ist es entscheidend, Plagiatrisiken zu stopfen, um eine breite Akzeptanz zu erreichen. Ein mehrschichtiger Ansatz ist erforderlich:

• Politische Reformen rund um Transparenz von Trainingsdaten, Lizenzen und Ersteller-Einwilligung.
• Stärkere Plagiat-Erkennungstechnologien und interne Governance durch Entwickler.
• Größeres Bewusstsein der Anwender für Risiken und Einhaltung ethischer KI-Grundsätze.
• Klare Rechtspräzedenzfälle und Rechtsprechung rund um KI-Urheberrechtsfragen.

Mit den richtigen Sicherheitsvorkehrungen kann KI-unterstützte Kreation ethisch gedeihen. Aber unkontrollierte Plagiatrisiken könnten das Vertrauen der Öffentlichkeit erheblich untergraben. Die direkte Bekämpfung dieses Problems ist entscheidend, um das immense kreative Potenzial generativer KI zu realisieren, während die Rechte der Ersteller respektiert werden. Das Erreichen des richtigen Gleichgewichts erfordert die aktive Bekämpfung des Plagiat-Blindpunkts, der in die Natur neuronaler Netze eingebaut ist. Aber dadurch kann sichergestellt werden, dass diese leistungsstarken Modelle nicht die menschliche Kreativität untergraben, die sie zu verstärken suchen.