Seattle Times i Newsday pozywają OpenAI i Microsoft za dane treningowe i reprodukcję zapytań

Seattle Times i Newsday pozwały OpenAI i Microsoft za naruszenie praw autorskich, zarzucając, że firmy te zeskrobały ich materiały dziennikarskie w celu trenowania modeli AI oraz dosłownie reprodukują fragmenty artykułów w odpowiedzi na zapytania użytkowników.

Kluczowe wnioski

• Seattle Times i Newsday złożyły oddzielne pozwy o naruszenie praw autorskich przeciwko OpenAI i Microsoft, dołączając do rosnącej listy wydawców prasowych prowadzących spory sądowe dotyczące danych treningowych AI.
• Oba wydawnictwa zarzucają, że ich materiały reporterskie zostały wykorzystane bez zezwolenia do trenowania modeli OpenAI oraz że modele te reprodukują tekst artykułów w bezpośredniej odpowiedzi na zapytania użytkowników.
• Microsoft jest wskazany jako współpozwany ze względu na swoje głębokie zaangażowanie finansowe i integrację technologii OpenAI.
• Administracja Trumpa złożyła już pismo w powiązanej sprawie New York Times, argumentując, że trenowanie AI na tekstach objętych prawem autorskim służy interesowi narodowemu — co sygnalizuje, gdzie obecnie leżą sympatie federalne.
• Wynik tych nakładających się pozwów może zmienić kształt tego, jakie dane tekstowe są prawnie dostępne do trenowania przyszłych modeli generowania obrazów i modeli multimodalnych, nie tylko modeli językowych.

Dlaczego pozwy o prawa autorskie do tekstu dotyczą generatorów obrazów

Na pierwszy rzut oka gazeta pozywająca twórcę chatbota wygląda jak czyjś inny problem dla twórców AI-art. Tak nie jest. Logika prawna leżąca u podstaw tych pozwów — że zeskrobywanie publicznie dostępnych treści w celu trenowania modeli stanowi naruszenie praw autorskich — jest strukturalnie identyczna z argumentami wysuwanymi przeciwko modelom generowania obrazów w równoległych postępowaniach sądowych. Orzeczenie, że trenowanie na tekstach prasowych wymaga licencjonowania, niemal na pewno przyspieszyłoby podobne żądania wobec zbiorów danych stojących za Stable Diffusion, Midjourney i modelami multimodalnymi napędzającymi narzędzia, z których korzystasz dziś.

Szczegółowy zarzut, że modele OpenAI dosłownie reprodukują fragmenty artykułów, jest również bezpośrednio istotny. Jeśli sądy uznają niemal dosłowną reprodukcję za granicę między dozwolonym użytkiem a naruszeniem praw autorskich, ten standard zostanie sprawdzony wobec generatorów obrazów, które potrafią reprodukować charakterystyczną kompozycję fotografa lub styl grafika z niekomfortową precyzją.

Efekt kumulacji i co sygnalizuje dla danych treningowych

Według The Verge pozwy te są następstwem podobnych działań innych wydawców, a wzorzec ma znaczenie: każdy nowy powód powiększa zasób materiałów z postępowania dowodowego, z których przyszłe sprawy — w tym dotyczące zbiorów danych do trenowania obrazów i wideo — będą mogły czerpać. OpenAI jednocześnie broni się w sprawie New York Times, gdzie niedawne pismo rządu USA argumentowało, że trenowanie AI służy interesom narodowym, co opisywaliśmy we wcześniejszym raporcie na temat pisma administracji Trumpa w sprawie praw autorskich OpenAI i NYT.

Dla twórców budujących przepływy pracy wokół modeli trenowanych na szerokich zeskrobaniach internetowych praktyczne pytanie dotyczy czasu. Żaden nakaz sądowy nie zmusił jeszcze żadnego modelu do wyłączenia, a harmonogram postępowań sądowych mierzy się w latach. Jednak presja licencyjnajuż zmienia dane, na których trenowane są przyszłe modele — zgłaszane płatności Google na rzecz hollywoodzkich studiów za prawa do trenowania na materiale wideo to jeden widoczny przykład tego, jak branża po cichu zabezpiecza się przed ryzykiem.

Co zmienia się w praktyce i dla kogo

Jeśli dziś generujesz obrazy, nic w twoim bezpośrednim przepływie pracy nie zmienia się z powodu tego pozwu. Modele, których używasz do renderowania, są już wytrenowane; żaden sąd nie nakazał cofnięcia zmian. Twórcy najbardziej narażeni na zakłócenia w krótkim terminie to ci, którzy budują produkty lub potoki zależne od multimodalnych wyników łączących tekst i obraz — gdzie model językowy pobiera lub podsumowuje kontekst prasowy obok wygenerowanej grafiki. Właśnie ta kombinacja jest celem tych pozwów.

W dłuższej perspektywie warto obserwować, czy dostawcy modeli przyspieszą tworzenie poziomów treningowych opartych na licencjonowanych danych, tak jak niektórzy robią to już z danymi syntetycznymi. Model wytrenowany na czystszym, licencjonowanym korpusie może zachowywać się inaczej — bardziej zachowawczo w reprodukcji, potencjalnie mniej aktualny kulturowo — i będzie to widoczne w odpowiedziach na prompty w sposób trudny do przewidzenia, dopóki nie spojrzysz na wynik.

Na razie najbardziej użyteczną rzeczą do śledzenia jest to, czy któryś z tych pozwów doprowadzi do ugody w stylu zgody sądowej, która ustali stawkę licencyjną. Ta liczba, raz ustalona dla tekstu, staje się szablonem, po który sięgają negocjatorzy, gdy kolejna fala pozwów dotyczących danych obrazowych zmierza ku rozwiązaniu. Twórcy, którzy rozumieją to powiązanie, będą mniej zaskoczeni, gdy nadejdzie.

Zbadaj, jak obecne modele obrazów AI radzą sobie z tymi presją w katalogu modeli Charmloop lub dopracuj swoje podejście do promptów w przewodnikach.