Europeiska kommissionens nya GPAI-mall – Vad innebär detta för AI-utbildning?

I juli släppte Europeiska kommissionen (EG) en ny allmänt ändamål artificiell intelligens (GPAI) mall. Detta innebär att AI-leverantörer måste avslöja innehållet som matas in i modellerna för att träna dem. Detta kommer efter månader av rubriker om skapare påstås ha använts utan samtycke för att träna AI.

Med den här nya mallen har EU tydliggjort sin ståndpunkt: transparens är nu inte förhandlingsbart. Black box-utbildning, där något skapas utan att dess inre funktioner avslöjas, kommer inte att vara ett alternativ för AI-utvecklare. Detta markerar ett betydande skifte eftersom verksamhet i Europa nu kommer att kräva fullständig insyn i modellindata och utbildningsdatas ursprung, vilket tvingar fram en omvärdering av datainsamling och användning.

Många har påpekat den tydliga skillnaden mellan detta och det nyligen släppta USA:s AI-handlingsplan, som i hög grad fokuserar på avreglering. Precis som med alla nya lagar eller förordningar måste företag nu utvärdera och bedöma exakt hur GPAI-mallen kommer att påverka verksamheten.

Om de verkar över flera regioner kommer de att göra detsamma med den amerikanska AI-handlingsplanen, vilket ytterligare förvirrar saker och ting. På grund av dessas komplexa natur och det faktum att reglering av AI-utveckling på detta sätt är outforskat territorium, kommer utvecklarnas resultat sannolikt att variera kraftigt.

Dissekera den allmänna AI-modellmallen

I juli i år publicerade Europeiska kommissionen en obligatorisk mall för GPAI-leverantörer så att de kan publicera en offentlig sammanfattning av de data som används för att träna sina modeller. Som en del av EU:s AI-lag måste leverantörer offentliggöra datakategorier som offentligt tillgängliga datamängder, privat licensierad data, skrapat webbinnehåll, användardata och syntetisk data. Syftet är att göra det möjligt för upphovsrättsinnehavare, användare och utvecklare i efterhand att utöva sina juridiska rättigheter enligt EU-lagstiftningen.

GPT:er tränas med stora mängder data; på den nuvarande marknaden finns det dock begränsad information tillgänglig om ursprunget till dessa data. Den offentliga sammanfattningen som denna mall innehåller kommer att ge en omfattande översikt över de data som används för att träna en modell, lista de viktigaste datasamlingarna och förklara andra källor som använts.

Jämför och kontrastera, USA:s AI-handlingsplan

I jämförelse, USA är orubbliga Det kommer att vinna AI-kapplöpningen och behålla sin konkurrensfördel gentemot Kina, vilket Trump-administrationen tillkännagav sin AI-handlingsplan tidigare i somras. Detta nya AI-ramverk syftar till att påskynda byggandet av energiintensiva datacenter som driver AI-system genom att lätta på miljöreglerna. Samtidigt syftar det till att öka den globala exporten av amerikansk AI-teknik. Med 90 rekommendationer återspeglar planen USA:s växande ansträngningar att ligga steget före sina globala konkurrenter.

Planen är uppbyggd kring tre kärnpelare – att accelerera innovation, bygga Amerikas AI-infrastruktur och främja ledarskap inom internationell AI-diplomati och säkerhet.

Som en del av detta lyfte en viktig slutsats från planen fram Amerikas strävan efter "öppen källkod" för att främja både innovation och tillgänglighet. På liknande sätt belyser planen hur den amerikanska regeringen kommer att "föregå med gott exempel' när det gäller AI-tillväxt – genom utbildning, talangutbyten och utökad användning inom olika branscher.

Med denna plan strävar USA efter att effektivisera alla sina nuvarande teknikregleringar, särskilt miljöregleringar, för att säkerställa att lagstiftningen inte hämmar tillväxten, samtidigt som man uppmuntrar till bredare internationell distribution av amerikansk AI-programvara och hårdvara. Denna "anti-reglerande" strategi markerar ett tydligt skifte från tidigare ramverk som fokuserade på etik, transparens och ansvarsfull innovation – istället går man mot en mer aggressiv handlingsplan "innovation först".

Den saknade delen

Det är värt att ta ett steg tillbaka i detta skede och överväga om dessa lagar, även om de är olika, kan lida av samma brister som gör att utvecklare ser ett bristande värde i att följa dem. EU:s och USA:s tillvägagångssätt lämnar ett kritiskt gap kring immateriella rättigheter i AI-utbildningsdataset. EU:s AI-lag föreskriver sammanfattningar av utbildningsdata och en policy för efterlevnad av upphovsrätt, men den etablerar inte ett skalbart ramverk för att identifiera eller licensiera upphovsrättsskyddade verk.

I USA finns inga specifika regler alls – vilket innebär att AI-företag måste navigera i ett föränderligt rättsligt ramverk som formas av domstolsbeslut och pågående tvister med rättighetsinnehavare. Utöver den lagliga texten saknas den praktiska sidan; ingen av metoderna anger fungerande, branschövergripande metoder för att upptäcka skyddat innehåll i stor skala, verifiera laglig användning eller effektivisera licensiering. Tills sådana lösningar har definierats kommer osäkerhet kring upphovsrätt inom AI-utbildning att förbli en betydande utmaning för branschen.

Den dolda kostnaden för företag som hoppar över AI-spårbarhet

Trots vissa brister i dessa regleringar antas det att de kommer att få AI-utvecklare att bli mycket fokuserade på hur de ska hålla sig flytande ur ett juridiskt perspektiv – men så är inte alltid fallet. Faktum är att den verkliga skillnaden inom AI just nu inte ligger mellan EU:s och USA:s reglering, utan mellan företag som investerar i spårbarhet idag och de som tror att de inte behöver det. Detta är en upprepning av vad vi såg för flera år sedan med implementeringen av den allmänna dataskyddsförordningen (GDPR) – företag som tidigt byggde inbyggd integritet undvek inte bara böter utan fick även konsumenternas förtroende och smidigare tillgång till andra marknader som senare speglade GDPR-standarder.

Samma mönster kan framträda med AI. Spårbarhet av träningsdata och modellbeslut kommer sannolikt att bli en global baslinje, och företag som dröjer med det kommer att behöva omdesigna sina system i framtiden. Att gå tillbaka och lägga till dokumentation, spårning av ursprung och revisionsfunktioner i ett befintligt system är mycket dyrare och mer komplext än att bygga in dem från början, vilket tar fokus bort från mer ROI-fokuserade utbyggnader som företaget vill slutföra.

Med andra ord är spårbarhet och transparens inte valfria tillägg; de måste integreras i AI-system från dag ett. Företag som behandlar dem som eftertanke riskerar att stoppa innovation, möta regulatoriska motreaktioner och förlora loppet på obestämd tid.

Etisk AI behöver global enighet

Ur ett makroperspektiv skapar dessa polariserade tillvägagångssätt ett verkligt problem för globala företag. Företag på lättare marknader som USA kan skala upp snabbare på kort sikt, men när de bestämmer sig för att gå med i EU står de inför en efterlevnadsmur: AI-lagens spårbarhets- och dokumentationsregler kräver kapacitet som de aldrig byggt upp.

Att eftermontera funktioner för spårning av ursprung, dokumentation och revision i ett befintligt system är kostsamt, långsamt och störande, särskilt eftersom spårbarhet är en av de mest resurskrävande delarna av efterlevnad. Det är samma mönster som vi såg med GDPR, där de som kom sent till inbyggd integritet kämpade med dyra översyner och försenat marknadstillträde, medan de som kom tidigt fick en bestående fördel.