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

I juli släppte Europeiska kommissionen (EC) en ny allmän syfte 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 och månader av rubriker om skapare som påstår att innehåll användes utan samtycke för att träna AI.

Med denna nya mall har EU gjort sin ståndpunkt tydlig: transparens är nu inte förhandlingsbar. Svart låda-träning, där något skapas utan att avslöja dess inre funktioner, kommer inte att vara ett alternativ för AI-utvecklare. Detta markerar en betydande förändring eftersom verksamhet i Europa nu kommer att kräva full insyn i modellinmatningar och dataursprung, vilket tvingar en omvärdering av datainsamling och användning.

Många har pekat på den tydliga skillnaden mellan detta och den nyligen släppta US AI Action Plan, som fokuserar kraftigt på avreglering. Liksom med alla nya lagar eller regleringar måste företag nu ta till sig och bedöma exakt hur GPAI-mallen kommer att påverka verksamheten.

Om de verkar i flera regioner kommer de att göra detsamma med US AI Action Plan, vilket ytterligare förvirrar saker. På grund av den komplexa naturen hos dessa och det faktum att reglering av AI-utveckling på detta sätt är outforskat territorium, är utdata från utvecklare troligen mycket olika.

Att dissekera den allmänna syftet 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 deras modeller. Som en del av EU:s AI-lag måste leverantörerna avslöja datakategorier som offentligt tillgängliga dataset, privata licensierade data, skrapade webbinnehåll, användardata och syntetisk data. Målet är att möjliggöra för upphovsrättsinnehavare, användare och nedströmsutvecklare att utöva sina lagliga rättigheter enligt EU-lagstiftning.

GPT: er tränas med stora mängder data; dock finns det i den nuvarande marknaden begränsad information tillgänglig om ursprunget till denna data. Den offentliga sammanfattning som denna mall fastställer kommer att ge en omfattande översikt av de data som används för att träna en modell, lista de viktigaste datainsamlingarna och förklara andra källor som används.

Jämför och kontrastera, US AI Action Plan

I jämförelse är USA fast beslutna att vinna AI-löpet och upprätthålla sin konkurrensfördel gentemot Kina, eftersom Trump-administrationen tillkännagav sin AI-aktionsplan tidigare i somras. Denna nya AI-ramverk syftar till att påskynda konstruktionen av energiintensiva datacenter som driver AI-system genom att lätta på miljöregleringar. Samtidigt syftar den till att öka den globala exporten av amerikanska AI-teknologier. Med 90 rekommendationer speglar planen de växande ansträngningarna från USA att ligga före sina globala konkurrenter.

Planen byggs kring tre kärnpelare – att påskynda innovation, bygga Amerikas AI-infrastruktur och främja ledarskap i internationell AI-diplomati och säkerhet.

Som en del av detta var en viktig slutsats från planen att USA:s “öppen källkods”-driv för att bränsle både innovation och tillgänglighet. Likaså betonar planen hur den amerikanska regeringen kommer att “leda med exempel” när det gäller AI-tillväxt – genom utbildning, talangutbyte och utökad antagande över branscher.

Med denna plan syftar USA till att strömlinjeforma alla sina nuvarande teknologiregleringar, särskilt miljöregleringar, för att säkerställa att lagstiftningen inte bromsar tillväxten, samtidigt som den uppmuntrar till en bredare internationell distribution av amerikanska AI-programvara och hårdvara. Detta “anti-reglerings”-tillvägagångssätt markerar en tydlig förändring från tidigare ramverk som fokuserade på etik, transparens och ansvarsfull innovation – och istället rör sig mot en mer aggressiv “innovation först”-aktionsplan.

Den saknade biten

Det är värt att ta ett steg tillbaka på detta stadium och överväga om dessa handlingar, trots att de är olika, kan lida av samma brister som kommer att få utvecklare att se en brist på värde i att följa dem. EU- och US-tillvägagångssätten lämnar ett kritiskt gap kring immateriella rättigheter i AI-träningsdata. EU:s AI-lag kräver träningsdata sammanfattningar och en upphovsrättslig efterlevnadspolicy, men den etablerar inte ett skalbart ramverk för att identifiera eller licensiera upphovsrättsligt skyddade verk.

I USA finns det inga specifika regler alls – vilket lämnar AI-företag att navigera i ett utvecklande rättsligt ramverk som formas av domstolsbeslut och pågående tvister med rättighetsinnehavare. Utanför den rättsliga texten är det som saknas det praktiska sidan; varken tillvägagångssättet fastställer arbetsbara, branschövergripande metoder för att upptäcka skyddat innehåll i stor skala, verifiera laglig användning eller strömlinjeforma licensiering. Tills sådana lösningar definieras kommer osäkerheten kring upphovsrätt i AI-träning att förbli en betydande utmaning för branschen.

Den dolda kostnaden för företag som hoppar över AI-spårbarhet

Trots vissa brister i dessa regleringar kommer det att antas att de kommer att få AI-utvecklare att bli mycket fokuserade på hur de kan hålla sig flytande från ett juridiskt perspektiv – men det är inte alltid fallet. I själva verket är den verkliga klyftan i AI just nu inte mellan EU- och US-reglering, utan mellan företag som investerar i spårbarhet idag och de som chansar att de inte kommer att behöva. Detta är en upprepning av vad vi såg för flera år sedan med införandet av den allmänna dataskyddsförordningen (GDPR) – företag som byggde in integritetsdesign tidigt undvek inte bara böter utan vann också konsumentförtroende och smidigare tillgång till andra marknader som senare speglade GDPR-standarden.

Samma mönster kan vara på väg att uppstå med AI. Spårbarhet av träningsdata och modellbeslut kommer troligen att bli en global baseline, och företag som försenar kommer att behöva omkonstruera sina system i framtiden. Att gå tillbaka för att lägga till dokumentation, ursprungsregistrering och revisionsfunktioner till ett befintligt system är mycket dyrare och mer komplext än att bygga dem in från början, vilket tar fokus bort från mer ROI-fokuserade byggnader som företaget vill slutföra.

Med andra ord är spårbarhet och transparens inte valfria tillägg; de måste vara inbyggda i AI-system från dag ett. Företag som behandlar dem som eftertankar riskerar att stanna innovationen, möta regleringsåterkoppling och förlora loppet oändligt.

Etisk AI behöver global enhetlighet

Från ett makroperspektiv skapar dessa polariserade tillvägagångssätt ett verkligt problem för globala företag. Företag i lättare reglerade marknader som USA kan skalas upp snabbare på kort sikt, men när de bestämmer sig för att gå in på EU-marknaden möter de en regelefterlevnadsvägg: AI-lagens spårbarhets- och dokumentationsregler kräver förmågor som de aldrig byggde.

Att återmontera ursprungsregistrering, dokumentation och revisionsfunktioner i ett befintligt system är dyrt, långsamt och störande, särskilt eftersom spårbarhet är en av de mest resurskrävande delarna av efterlevnad. Det är samma mönster vi såg med GDPR, där senkomna till integritetsdesign kämpade med dyra ombyggnader och försenade marknadstillträde, medan tidiga flyttare vann en varaktig fördel.