Problem plagiatu: Jak modele sztucznej inteligencji odtwarzają chronione prawem autorskim treści

Gwałtowny postęp w dziedzinie sztucznej inteligencji wywołał emocje związane z potencjałem twórczym tej technologii. Jednakże te potężne modele niosą również ze sobą niepokojące ryzyko związane z odtwarzaniem chronionych prawem autorskim lub plagiatowanych treści bez właściwego uzasadnienia.

Jak sieci neuronowe absorbują dane szkoleniowe

Współczesne systemy sztucznej inteligencji, takie jak GPT-3, są szkolone za pomocą procesu zwanego transfer learning. Połykają ogromne zestawy danych pobranych z publicznych źródeł, takich jak strony internetowe, książki, artykuły naukowe i wiele innych. Na przykład, dane szkoleniowe GPT-3 obejmowały 570 gigabajtów tekstu. Podczas szkolenia, sztuczna inteligencja wyszukuje wzory i relacje statystyczne w tym ogromnym zbiorze danych. Uczy się korelacji między słowami, zdaniem, akapitami, strukturą języka i innymi cechami.

To umożliwia sztucznej inteligencji generowanie nowych, spójnych tekstów lub obrazów, poprzez przewidywanie sekwencji, które najprawdopodobniej nastąpią po danym wejściu lub prompcie. Jednakże, oznacza to również, że te modele absorbują treści bez uwzględnienia praw autorskich, uzasadnień lub ryzyka plagiatu. W rezultacie, generatywne sztuczne inteligencje mogą nieumyślnie odtworzyć dosłowne fragmenty lub sparafrazować chronione prawem autorskim treści z ich korpusów szkoleniowych.

Kluczowe przykłady plagiatu sztucznej inteligencji

Obawy związane z plagiatem sztucznej inteligencji pojawiły się szczególnie od 2020 roku, po wydaniu GPT.

Najnowsze badania wykazały, że duże modele językowe (LLM) takie jak GPT-3 mogą odtworzyć znaczne fragmenty dosłowne z ich danych szkoleniowych bez cytowania (Nasr et al., 2023; Carlini et al., 2022). Na przykład, pozew The New York Times ujawnił, że oprogramowanie OpenAI generowało artykuły The New York Times niemal dosłownie (The New York Times, 2023).

Te wyniki sugerują, że niektóre systemy sztucznej inteligencji mogą produkować niepożądane plagiatyczne dane wyjściowe, narażając na naruszenie praw autorskich. Jednakże, rozpowszechnienie pozostaje niepewne ze względu na “czarną skrzynkę” natury LLM. Pozew The New York Times twierdzi, że takie dane wyjściowe stanowią naruszenie, co mogłoby mieć znaczące implikacje dla rozwoju sztucznej inteligencji. Ogólnie, dowody wskazują, że plagiat jest wrodzonym problemem w dużych modelach sieci neuronowych, który wymaga czujności i zabezpieczeń.

Te przypadki ujawniają dwa kluczowe czynniki wpływające na ryzyko plagiatu sztucznej inteligencji:

1. Wielkość modelu – Większe modele, takie jak GPT-3.5, są bardziej skłonne do odtwarzania dosłownych fragmentów tekstowych w porównaniu z mniejszymi modelami. Ich większe zestawy danych szkoleniowych zwiększają narażenie na chronione prawem autorskim materiał źródłowy.
2. Dane szkoleniowe – Modele szkolone na danych pobranych z Internetu lub chronionych prawem autorskim (nawet jeśli są licencjonowane) są bardziej skłonne do plagiatu w porównaniu z modelami szkolonymi na starannie wyselekcjonowanych zestawach danych.

Jednakże, bezpośrednie mierzenie rozpowszechnienia plagiatycznych danych wyjściowych jest trudne. “Czarna skrzynka” natura sieci neuronowych utrudnia pełne śledzenie związku między danymi szkoleniowymi a danymi wyjściowymi modelu. Stawki prawdopodobnie zależą silnie od architektury modelu, jakości zestawu danych i sformułowania promtu. Jednakże, te przypadki potwierdzają, że taki plagiat sztucznej inteligencji występuje bezsprzecznie, co ma krytyczne implikacje prawne i etyczne.

Powstające systemy wykrywania plagiatu

W odpowiedzi, badacze zaczęli eksplorować systemy sztucznej inteligencji, które automatycznie wykrywają tekst i obrazy generowane przez modele, a nie stworzone przez ludzi. Na przykład, badacze z Mila zaproponowali GenFace, który analizuje wzory językowe wskazujące na tekst napisany przez sztuczną inteligencję. Firma Anthropic opracowała również wewnętrzne możliwości wykrywania plagiatu dla swojego sztucznej inteligencji konwersacyjnej Claude.

Jednakże, te narzędzia mają ograniczenia. Ogromne zestawy danych szkoleniowych modeli takich jak GPT-3 sprawiają, że trudno jest precyzyjnie wskazać źródła plagiatowanych treści, jeśli w ogóle jest to możliwe. Potrzebne będą bardziej zaawansowane techniki, gdy modele generatywne będą nadal szybko ewoluować. Do tego czasu, ręczna kontrola pozostaje niezbędna do sprawdzania potencjalnie plagiatowanych lub naruszających prawa danych wyjściowych sztucznej inteligencji przed ich publicznym użyciem.

Najlepsze praktyki w celu ograniczenia plagiatu sztucznej inteligencji

Oto najlepsze praktyki, które zarówno deweloperzy, jak i użytkownicy sztucznej inteligencji mogą przyjąć, aby zminimalizować ryzyko plagiatu:

Dla deweloperów sztucznej inteligencji:

• Starannie sprawdź źródła danych szkoleniowych, aby wykluczyć chronione prawem autorskim lub licencjonowane materiały bez właściwych zezwoleń.
• Rozwijaj rygorystyczne procedury dokumentacji danych i śledzenia pochodzenia. Zapisuj metadane, takie jak licencje, tagi, twórcy itp.
• Wdrożenie narzędzi do wykrywania plagiatu, aby zidentyfikować treści o wysokim ryzyku przed ich wydaniem.
• Przedstawiaj sprawozdania transparentności, zawierające informacje o źródłach danych szkoleniowych, licencjach i pochodzeniu danych wyjściowych sztucznej inteligencji, gdy pojawią się obawy.
• Pozwól twórcom na łatwe wycofanie się z zestawów danych szkoleniowych. Szybko realizuj wnioski o usunięcie lub wykluczenie.

Dla użytkowników sztucznej inteligencji:

• Starannie sprawdzaj dane wyjściowe pod kątem potencjalnie plagiatowanych lub nieprzypisanych fragmentów przed ich wdrożeniem na dużą skalę.
• Unikaj traktowania sztucznej inteligencji jako w pełni autonomicznych systemów twórczych. Zatrudnij ludzkich recenzentów do sprawdzania ostatecznych treści.
• Preferuj tworzenie z udziałem sztucznej inteligencji nad generowaniem całkowicie nowych treści od podstaw. Używaj modeli do parafrazowania lub generowania pomysłów zamiast.
• Konsultuj się z warunkami świadczenia usług, polityką treści i zabezpieczeniami przed plagiatem dostawcy sztucznej inteligencji przed jej użyciem. Unikaj nieprzezroczystych modeli.
• Cytuj źródła wyraźnie, jeśli jakiekolwiek chronione prawem autorskim materiały pojawiają się w ostatecznych danych wyjściowych, pomimo najlepszych starań. Nie przedstawiaj pracy sztucznej inteligencji jako całkowicie oryginalnej.
• Ograniczaj udostępnianie danych wyjściowych prywatnie lub poufnie, aż do czasu, gdy ryzyko plagiatu może być dalej ocenione i rozwiązane.

Surowsze regulacje danych szkoleniowych mogą być również uzasadnione, gdy modele generatywne będą nadal się rozwijać. Mogłoby to obejmować wymóg wyraźnej zgody twórców przed dodaniem ich pracy do zestawów danych. Jednakże, ciężar spoczywa zarówno na deweloperach, jak i użytkownikach, aby stosować etyczne praktyki sztucznej inteligencji, które szanują prawa twórców.

Plagiat w Midjourney’s V6 Alpha

Po ograniczonym prompcie Midjourney’s V6 model niektórzy badacze byli w stanie wygenerować obrazy niemal identyczne do chronionych prawem autorskim filmów, programów telewizyjnych i ekranów z gier wideo, które prawdopodobnie były zawarte w danych szkoleniowych.

Obrazy wygenerowane przez Midjourney przypominające sceny z słynnych filmów i gier wideo

Te eksperymenty potwierdzają, że nawet najnowocześniejsze systemy sztucznej inteligencji wizualnej mogą nieświadomie plagiatować chronione treści, jeśli źródła danych szkoleniowych pozostaną niekontrolowane. Podkreśla to potrzebę czujności, zabezpieczeń i nadzoru ludzkiego przy wdrażaniu modeli generatywnych na skalę przemysłową w celu ograniczenia ryzyka naruszeń.

Odowiedź firm sztucznej inteligencji na treści chronione prawem autorskim

Granice między ludzką a sztuczną inteligencją zaczynają się zacierać, tworząc skomplikowane pytania prawne. Dzieła łączące wkład ludzki i sztuczną inteligencję mogą być chronione prawem autorskim tylko w zakresie, w jakim są wykonane wyłącznie przez człowieka.

Amerykański Urząd Prawa Autorskiego niedawno odmówił prawa autorskiego do większości aspektów graficznego albumu sztucznej inteligencji i człowieka, uznając sztukę sztucznej inteligencji za nie-ludzką. Wydał również wytyczne wykluczające systemy sztucznej inteligencji z “autorstwa”. Federalne sądy potwierdziły tę postawę w sprawie o prawo autorskie do sztuki sztucznej inteligencji.

Tymczasem pozwy twierdzą, że generatywne sztuczne inteligencje naruszają prawa autorskie, jak na przykład Getty v. Stability AI i artyści v. Midjourney/Stability AI. Jednak bez “autorów” sztucznej inteligencji, niektórzy kwestionują, czy roszczenia o naruszenie mają zastosowanie.

W odpowiedzi, główne firmy sztucznej inteligencji, takie jak Meta, Google (GOOGL ), Microsoft (MSFT ) i Apple (AAPL ), argumentowały, że nie powinny potrzebować licencji ani płacić tantiem za szkolenie modeli sztucznej inteligencji na danych chronionych prawem autorskim.

Oto podsumowanie kluczowych argumentów głównych firm sztucznej inteligencji w odpowiedzi na potencjalne nowe amerykańskie przepisy prawne dotyczące sztucznej inteligencji, wraz z cytowaniami:

Meta argumentuje że wprowadzenie licencji w tej chwili spowodowałoby chaos i przyniosło niewielką korzyść posiadaczom praw autorskich.

Google twierdzi że szkolenie sztucznej inteligencji jest analogiczne do nie naruszających praw, takich jak czytanie książki (Google, 2022).

Microsoft ostrzega że zmiana prawa autorskiego mogłaby niekorzystnie wpłynąć na małych deweloperów sztucznej inteligencji.

Apple chce prawo autorskie do kodu wygenerowanego przez sztuczną inteligencję, kontrolowanego przez ludzkich deweloperów.

Ogólnie, większość firm sprzeciwia się nowym wymogom licencyjnym i bagatelizuje obawy dotyczące systemów sztucznej inteligencji, które odtwarzają chronione treści bez uzasadnienia. Jednakże, ten stanowisko jest kontrowersyjne, biorąc pod uwagę ostatnie pozwy dotyczące praw autorskich sztucznej inteligencji i debaty.

Ścieżki odpowiedzialnej innowacji sztucznej inteligencji

Ponieważ te potężne modele generatywne będą nadal się rozwijać, zamykanie luk w zabezpieczeniach plagiatu jest kluczowe dla ich powszechnego zaakceptowania. Wymagane jest wieloaspektowe podejście:

• Reformy polityczne dotyczące przejrzystości danych szkoleniowych, licencjonowania i zgody twórców.
• Silniejsze technologie wykrywania plagiatu i wewnętrzne zarządzanie przez deweloperów.
• Większa świadomość użytkowników na temat ryzyka i przestrzeganie etycznych zasad sztucznej inteligencji.
• Jasne precedensy prawne i orzecznictwo w sprawach dotyczących praw autorskich sztucznej inteligencji.

Z odpowiednimi zabezpieczeniami, tworzenie z udziałem sztucznej inteligencji może rozkwitać etycznie. Jednak niekontrolowane ryzyko plagiatu mogłoby znacznie podważyć zaufanie publiczne. Bezpośrednie rozwiązanie tego problemu jest kluczowe dla realizacji ogromnego potencjału twórczego sztucznej inteligencji, jednocześnie szanując prawa twórców. Osiągnięcie odpowiedniej równowagi wymaga aktywnego rozwiązania problemu plagiatu, który jest wrodzony w naturę sieci neuronowych. Jednak dzięki temu, te potężne modele nie podważą ludzkiej pomysłowości, którą mają na celu wspierać.