Den europeiske kommisjonens nye GPAI-mal – Hva betyr dette for AI-trening?

I juli lanserte Den europeiske kommisjon (EK) en ny generell formål kunstig intelligens (GPAI)-mal. Dette betyr at AI-tilbydere må avsløre innholdet som er inputtet i modellene for å trene dem. Dette kommer etter måneder med overskrifter om skapere som hevder at innhold ble brukt uten samtykke for å trene AI.

Med denne nye malen, har EU gjort sin posisjon klar: transparens er nå ikke-forhandlet. Svart boks-trening, hvor noe skapes uten å avsløre dens indre mekanismer, vil ikke være et alternativ for AI-utviklere. Dette markerer en betydelig endring, da drift i Europa nå vil kreve full synlighet inn i modellinndata og treningdata-proveniens, og tvinger til en omvurdering av datainnsamling og bruk.

Mange har pekt på den tydelige forskjellen mellom dette og den nylig lanserte US AI-handlingsplan, som fokuserer tungt på deregulering. Liksom med enhver ny lov eller regulering, må bedrifter nå ta stock og vurdere hvordan GPAI-malen vil påvirke driften.

Hvis de opererer på tvers av regioner, vil de gjøre det samme med US AI-handlingsplanen, og ytterligere forvirre ting. Fordi kompleksiteten til disse og det faktum at regulering av AI-utvikling på denne måten er uutforsket territorium, er utgangene fra utviklerne sannsynligvis å være svært forskjellige.

Dissektning av den generelle formål kunstig intelligens-modell-malen

I juli i år, offentliggjorde Den europeiske kommisjon en obligatorisk mal for GPAI-tilbydere så de kan publisere en offentlig sammenfatting av dataene som er brukt til å trene modellene. Som en del av EU AI-loven, må tilbyderne avsløre datakategorier som offentlig tilgjengelige datasett, private lisensiert data, skrapet nettinnhold, brukerdata og syntetisk data. Målet er å muliggjøre at opphavsmenn, brukere og nedstrømsutviklere kan utøve sine rettigheter under EU-loven.

GPT-er trenes med store mengder data; imidlertid er det i dag begrenset informasjon tilgjengelig om opphavet til denne dataen. Den offentlige sammenfatningen som denne malen setter ut, vil gi en omfattende oversikt over dataene som er brukt til å trene en modell, liste hoveddatainnsamlingene og forklare andre kilder som er brukt.

Sammenlign og kontrast, US AI-handlingsplan

I sammenligning, er USA fast bestemt på å vinne AI-kappløpet og opprettholde sin konkurransefordel over Kina, da Trump-administrasjonen annonserte sin AI-handlingsplan tidligere i sommer. Denne nye AI-rammen sikter på å akselerere byggingen av energiintensive datacentre som driver AI-systemer ved å lette miljøreguleringer. Samtidig søker den å øke den globale eksporten av amerikanske AI-teknologier. Med 90 anbefalinger, reflekterer planen de voksende bestrebelsene fra USA for å holde seg foran sine globale konkurrenter.

Planen er bygget rundt tre kjernepilarer – å akselerere innovasjon, bygge Amerikas AI-infrastruktur og fremme lederskap i internasjonal AI-diplomati og sikkerhet.

Som en del av dette, var en nøkkelinntrykk fra planen at Amerika ville «ledre ved eksempel» når det gjelder AI-vækst – gjennom trening, talentutvekslinger og utvidelse av adopsjon over industrier.

Med denne planen, søker USA å strømlinje alle sine nåværende teknologireguleringer, særlig miljøreguleringer, for å sikre at lovgivningen ikke bremser veksten, samtidig som den oppmuntrer til videre internasjonal distribusjon av amerikansk AI-programvare og maskinvare. Denne «anti-regulerings»-tilnærmingen markerer en tydelig skifte fra tidligere rammer som var sentrert rundt etikk, transparens og ansvarlig innovasjon – i stedet beveger den seg mot en mer aggressiv «innovasjon først»-handlingsplan.

Den manglende brikken

Det er verdt å ta et skritt tilbake på dette stadiet og vurdere om disse lovene, selv om de er forskjellige, kan lide under de samme feilene som vil føre til at utviklerne ser en mangel på verdi i å følge dem. EU- og US-tilnærmingene lar en kritisk lukke rundt immaterielle rettigheter i AI-treningdatasett. EU AI-loven krever treningssammendrag og en opphavsrettslig politikk, men den etablerer ikke et skalerbart rammeverk for å identifisere eller lisensiere opphavsrettslige verk.

I USA finnes det ingen spesifikke regler – og lar AI-selskaper navigere i et evoluerende rettslig rammeverk som er formet av domstolsavgjørelser og pågående tvister med rettighetshavere. Utenfor det juridiske tekst, hva som mangler, er den praktiske siden; ingen av tilnærmingene definerer arbeidsbare, bransjeomfattende metoder for å oppdage beskyttet innhold i stor skala, verifisere lovlige bruk eller strømlinje lisensiering. Inntil slike løsninger er definert, vil usikkerheten rundt opphavsrett i AI-trening forbli en betydelig utfordring for bransjen.

Den skjulte kostnaden av bedrifter som hopper over AI-sporbarhet

Til tross for noen av feilene i disse reguleringene, vil det antas at de vil føre til at AI-utviklerne blir svært fokusert på hvordan de kan holde seg flytende fra et juridisk perspektiv – men dette er ikke alltid tilfelle. I virkeligheten er den virkelige skillelinjen i AI i dag ikke mellom EU- og US-regulering, men mellom selskaper som investerer i sporbarhet i dag og de som gambler med at de ikke vil måtte. Dette er en gjentakelse av hva vi så for noen år siden med implementeringen av Den generelle personvernforordningen (GDPR) – selskaper som bygde inn privatlivsdesign tidlig unngikk ikke bare bøter, men vant også forbrukertillit og smidigere tilgang til andre markeder som senere speilet GDPR-standarden.

Den samme mønsteren kan være i ferd med å dukke opp med AI. Sporbarhet av treningdata og modellbeslutninger vil sannsynligvis bli en global standard, og selskaper som forsinker vil måtte redesigne systemene sine i fremtiden. Å gå tilbake for å legge til dokumentasjon, provenienssporbarhet og revisjonsfunksjoner til et eksisterende system er langt mer dyrt og komplekst enn å bygge dem inn fra starten, og tar fokus vekk fra mer ROI-fokusert bygging som selskapet ønsker å fullføre.

I andre ord, er sporbarhet og transparens ikke valgfrie tillegg; de må være innbygget i AI-systemer fra dag én. Bedrifter som behandler dem som ettertanker risikerer å stanse innovasjon, møte reguleringer og tape kappløpet uendelig.

Etisk AI trenger global enhet

Fra et makroperspektiv, skaper disse polariserte tilnærmingene et reelt problem for globale bedrifter. Selskaper i lettere-markeder som USA kan skale raskere på kort sikt, men når de bestemmer seg for å gå inn i EU, møter de en kompatibilitetsvegg: AI-lovens sporbarhets- og dokumentasjonsregler krever evner som de aldri bygde.

Å tilpasse sporbarhetssporing, dokumentasjon og revisjonsfunksjoner til et eksisterende system er dyrt, langsomt og forstyrrende, særlig fordi sporbarhet er en av de mest ressurskrevende delene av overholdelse. Det er det samme mønsteret vi så med GDPR, hvor senkommerne til privatlivsdesign kjempet med dyre ombygginger og forsinket markedsadgang, mens tidlige aktører vant en varig fordel.