生成式 AI 模型复制版权内容的问题：如何避免抄袭

生成式 AI 的快速发展引发了人们对其创造潜力的兴奋。然而，这些强大的模型也带来了有关复制版权或抄袭内容而不注明来源的风险。

神经网络如何吸收训练数据

现代 AI 系统，如 GPT-3，通过一种称为迁移学习的过程进行训练。它们从公共来源（如网站、书籍、学术论文等）中获取大量数据。例如，GPT-3 的训练数据包括 570GB 的文本。在训练过程中，AI 搜索这些数据中的模式和统计关系。它学习了词语、句子、段落、语言结构和其他特征之间的关联。

这使得 AI 能够通过预测给定输入或提示后可能出现的序列来生成新的连贯文本或图像。但是，这也意味着这些模型会在不考虑版权、署名或抄袭风险的情况下吸收内容。因此，生成式 AI 可能会无意中复制训练语料库中的版权文本或改述版权文本。

AI 抄袭的关键例子

自 2020 年 GPT 发布以来，人们对 AI 抄袭的担忧日益增长。

最近的研究表明，大型语言模型（LLM）如 GPT-3 可以在不注明来源的情况下复制大量训练数据中的文本（Nasr et al., 2023；Carlini et al., 2022）。例如，纽约时报的一项诉讼揭露了 OpenAI 软件生成的纽约时报文章几乎完全相同（纽约时报，2023）。

这些发现表明，一些生成式 AI 系统可能会产生未经授权的抄袭输出，从而冒着版权侵犯的风险。然而，由于大型语言模型的“黑盒”性质，抄袭的普遍程度仍不确定。纽约时报的诉讼认为这种输出构成侵犯版权，这可能会对生成式 AI 的发展产生重大影响。总体而言，证据表明，抄袭是大型神经网络模型中一个固有的问题，需要警惕和防范。

这些案例揭示了两个关键因素影响 AI 抄袭风险：

1. 模型大小 – 较大的模型，如 GPT-3.5，更容易重新生成训练数据中的文本段落，而较小的模型则不易如此。它们更大的训练数据集增加了接触版权源材料的机会。
2. 训练数据 – 训练在互联网数据或版权作品（即使有许可）上的模型比训练在精心策划的数据集上的模型更容易抄袭。

然而，直接测量抄袭输出的普遍程度是具有挑战性的。神经网络的“黑盒”性质使得完全追踪训练数据和模型输出之间的联系变得困难。抄袭率可能严重依赖于模型架构、数据集质量和提示的制定。但这些案例证实了 AI 抄袭的发生，这对法律和伦理具有重要的影响。

出现的抄袭检测系统

为了应对，研究人员开始探索自动检测由模型生成的文本和图像与由人类创建的内容的 AI 系统。例如，Mila 的研究人员提出了 GenFace，它分析了 AI 写作文本的语言模式。初创公司 Anthropic 还为其对话式 AI Claude 开发了内部抄袭检测功能。

然而，这些工具存在局限性。像 GPT-3 这样的模型的巨大训练数据使得确定抄袭文本的原始来源变得困难，如果不是不可能。随着生成式模型的快速演进，需要更强大的技术。直到那时，手动审查仍然是必不可少的，以筛选可能抄袭或侵犯版权的 AI 输出，在公开使用之前。

减轻生成式 AI 抄袭的最佳实践

以下是一些 AI 开发者和用户可以采用的最佳实践，以最小化抄袭风险：

对于 AI 开发者：

• 仔细审查训练数据来源，以排除未经许可的版权或许可材料。
• 开发严格的数据文档和来源跟踪程序。记录元数据，如许可、标签、创建者等。
• 实施抄袭检测工具，以标记高风险内容在发布之前。
• 提供透明度报告，详细说明训练数据来源、许可和 AI 输出的起源，当出现问题时。
• 允许内容创建者轻松退出训练数据集。快速响应下架或排除请求。

对于生成式 AI 用户：

• 彻底筛查输出是否存在任何潜在的抄袭或未注明来源的段落，在大规模部署之前。
• 避免将 AI 视为完全自治的创造系统。让人类审查人员检查最终内容。
• 偏爱人机协作创作，而不是从头开始生成新内容。使用模型进行改述或构思代替。
• 咨询 AI 提供商的服务条款、内容政策和抄袭防范措施，在使用之前。避免不透明的模型。
• 如果最终输出中出现任何版权材料，请明确注明来源。不要将 AI 工作呈现为完全原创的。
• 限制私下或保密地共享输出，直到抄袭风险可以进一步评估和解决。

可能需要更严格的训练数据法规，因为生成式模型继续增多。这可能涉及要求内容创建者在其作品被添加到数据集中之前提供选择加入的许可。然而，开发者和用户都有责任采用尊重内容创建者权利的道德 AI 实践。

Midjourney 的 V6 Alpha 中的抄袭

在有限的提示下，Midjourney 的 V6 模型 一些研究人员能够生成几乎与版权电影、电视节目和视频游戏截图相同的图像，这些图像可能包含在其训练数据中。

Midjourney 生成的图像与著名电影和视频游戏中的镜头几乎相同

这些实验进一步证实，即使是最先进的视觉 AI 系统，如果训练数据的来源没有得到检查，也可能无意中抄袭受保护的内容。这强调了在商业部署中需要警惕、防范措施和人工监督，以限制侵犯风险。

AI 公司对版权内容的回应

人工智能和人类创造力的界限正在变得模糊，从而引发了复杂的版权问题。混合人工智能和人类输入的作品可能只有在完全由人类执行的方面才具有版权。

美国版权局最近拒绝为一部 AI-人类图像小说的大部分内容授予版权，认为 AI 生成的艺术作品不是人类创作的。它还发布了指导方针，排除了 AI 系统的“作者”资格。联邦法院在一件 AI 艺术版权案件中肯定了这一立场。

与此同时，诉讼指控生成式 AI 侵犯版权，例如 Getty 诉 Stability AI 和艺术家诉 Midjourney/稳定性 AI。但是，没有 AI “作者”，一些人质疑是否适用侵犯版权的诉讼。

作为回应，主要的 AI 公司，如 Meta、Google、Microsoft 和 Apple 辩称，他们不需要许可或向训练 AI 模型的版权数据支付版税。

以下是主要 AI 公司对潜在的新版权规则的回应摘要，包括引用：

Meta 认为 目前实施许可将会引起混乱，并不会给版权持有者带来太多的好处。

Google 声称 AI 训练与非侵权行为类似，例如阅读一本书（Google，2022 年）。

Microsoft 警告 修改版权法可能会对小型 AI 开发者不利。

Apple 想要 版权保护由人类开发者控制的 AI 生成的代码。

总体而言，大多数公司反对新的许可要求，并淡化了 AI 系统在不注明来源的情况下复制受保护作品的担忧。然而，这种立场是有争议的，考虑到最近的 AI 版权诉讼和辩论。

负责任的生成式 AI 创新途径

随着这些强大的生成式模型的不断发展，解决抄袭风险至关重要。需要采取多方面的方法：

• 围绕训练数据透明度、许可和创作者同意的政策改革。
• 开发者更强大的抄袭检测技术和内部治理。
• 用户对风险的更大认识和遵守道德 AI 原则。
• 明确的法律先例和案例法关于 AI 版权问题。

有了适当的防范措施，人工智能辅助创作可以以道德的方式蓬勃发展。但是，未受控制的抄袭风险可能会严重破坏公众的信任。直接解决这个问题对于实现生成式 AI 的巨大创造潜力和尊重创作者权利至关重要。实现平衡需要积极地面对神经网络的抄袭盲点。但是，通过这样做，我们可以确保这些强大的模型不会破坏它们旨在增强的人类智慧。