اطلاعات جدید و بدون سانسور در پرونده شکایت حق نشر که نیویورک تایمز سه سال پیش علیه OpenAI و مایکروسافت مطرح کرد، نشان‌دهنده اعترافی است مبنی بر اینکه استخراج داده‌های هوش مصنوعی معادل دزدی بوده و محصولات هوش مصنوعی تهدیدی بزرگ برای نشریات محسوب می‌شوند.

بر اساس این شکایت، یکی از مدیران ارشد مایکروسافت به‌طور خصوصی شیوه‌های آموزش هوش مصنوعی این شرکت‌ها را «دزدی» توصیف کرده و رهبران خود OpenAI نیز گفته‌اند که مدل‌های هوش مصنوعی آن‌ها یک «تهدید وجودی» برای ناشران و روزنامه‌نگارانی است که آثارشان این مدل‌ها را آموزش داده است.

این اسناد منتشرشده همچنین جزئیات نحوه به‌دست‌آوردن و استفاده ادعایی این شرکت‌ها از آن محتوا را با دور زدن غیرقابل‌تشخیص دیوارهای پرداخت، ساخت مجموعه داده‌های آموزشی از طریق استخراج انبوه، و حذف عمدی اعلان‌های حق نشر از داده‌های آموزشی شرح می‌دهد.

شایان ذکر است که بسیاری از اطلاعات جدید از بیانیه خود نیویورک تایمز می‌آید، نه از مدارک اصلی که همچنان محرمانه باقی مانده‌اند. نقل‌قول‌های زیر بدون زمینه اصلی خود ارائه شده‌اند.

این دادخواست بدون سانسور جدیدترین تشدید در این پرونده سه‌ساله است که در آن نیویورک تایمز ابتدا ادعا کرد این شرکت‌ها با آموزش مدل‌های هوش مصنوعی مولد بر روی محتوای خود، قانون حق نشر را نقض کرده‌اند.

این پرسش که آیا شرکت‌های هوش مصنوعی می‌توانند به‌طور قانونی از مواد دارای حق نشر برای آموزش هوش مصنوعی استفاده کنند، پاسخ روشنی ندارد، اما قضات عمدتاً به نفع استدلال شرکت‌های هوش مصنوعی رأی داده‌اند که آموزش «استفاده منصفانه» محسوب می‌شود. این قاعده قانونی به افراد اجازه می‌دهد در موارد خاصی مانند تقلید طنزآمیز، گزارش خبری یا نقد، بدون اجازه از اثر دارای حق نشر استفاده کنند. اوایل این ماه، دولت ترامپ بیانیه‌ای در دفاع از استفاده بدون مجوز OpenAI از مواد دارای حق نشر برای آموزش LLMهای خود ارائه کرد.

با این حال، چندین مورد از اعترافات جدید با دفاعیه استفاده منصفانه OpenAI در تضاد است، به‌ویژه الزام این قاعده که استفاده نباید جایگزین یا به بازار اثر اصلی آسیب بزند.

برای مثال، داده‌های خود مایکروسافت نشان می‌دهد که «موتور پاسخ» Copilot آن باعث کاهش نرخ کلیک برای دامنه نیویورک تایمز تا ۹۳ درصد در مقایسه با جستجوی سنتی Bing شده است. یک ارائه داخلی مایکروسافت که توسط مدیر علوم کاربردی مایکروسافت، برنت هشت، در ژانویه ۲۰۲۴ نوشته شده، این کاهش را یک «حلقه عذاب» توصیف می‌کند که «همزمان به عملکرد مدل‌های ما و کل وب آسیب می‌زند.»

در این سند مایکروسافت که در دادخواست نقل شده، آمده است: «بسیار غیرمعمول است که یک محصول نهایی پایه‌های اقتصادی تأمین‌کنندگان ضروری خود را تهدید کند، اما این وضعیتی است که برای کسب‌وکار LLM خود در رابطه با «زنجیره تأمین محتوای» آن ایجاد کرده‌ایم.»

ساتیا نادلا، مدیرعامل مایکروسافت، همچنین در یک شهادت‌گیری در اوایل امسال اظهار داشت که «هر چیزی که پشت دیوار پرداخت است باید توسط هر کسی که می‌خواهد از آن برای مبنا یا آموزش استفاده کند، مجوز داشته باشد» و روشن کرد که اگر «از این موضوع مطلع می‌شد که OpenAI اطلاعات پشت دیوار پرداخت را استخراج و روی آن آموزش دیده است»، «[حق مایکروسافت برای] الزام OpenAI به بازآموزی مدل‌هایش را اعمال می‌کرد.»

سایر اعترافات با ارکان مختلف آزمون استفاده منصفانه در تضاد است: نیک تورلی، رئیس ChatGPT در OpenAI، در ارتباطات داخلی نوشت که ناشران با یک «تهدید وجودی» از سوی محصولاتی مانند چت‌بات مواجه هستند که «عمدتاً جایگزین‌کننده» هستند و «هرچه بهتر شوند، بیشتر جایگزین‌کننده خواهند شد.»

گرگ براکمن، رئیس OpenAI، مدل‌ها را «در اخبار عالی» توصیف کرد. نادلا در اوایل امسال زیر سوگند موافقت کرد که گفتگو با چت‌بات‌ها «جایگزین ... ارائه اطلاعات مستقیماً در وب‌سایت روی پلتفرم هوش مصنوعی در مقابل نیاز به مراجعه به منبع اصلی شده است.»

این نوع زبان نشان می‌دهد که چگونه این فناوری می‌تواند مستقیماً با اثر اصلی رقابت کند، نه آن را متحول سازد.

یک سند مایکروسافت بیان می‌کند که یک «ریسک واقعی» وجود دارد که هوش مصنوعی مولد بتواند «به‌طور قابل‌توجهی اشتغال افرادی را که داده‌هایی را تولید کرده‌اند که مدل پایه روی آن آموزش دیده، مختل کند.»

مقیاس عظیم کپی‌برداری قابل‌توجه است. اسناد برای اولین بار فاش می‌کند که مجموعه داده‌های میانی آموزش OpenAI به تنهایی حاوی بیش از ۹۱,۶۹۲ نسخه از آثار منتشرشده توسط NYT، Daily News و Center for Investigative Reporting است. یک مجموعه داده مشتق‌شده از Common Crawl شامل بیش از ۲ میلیون سند تنها از nytimes.com بود.

در یک یادداشت داخلی در ژانویه ۲۰۲۳، هشت آن را «یک دزدی شگفت‌انگیز با ابعاد بی‌سابقه» و «بزرگترین دزدی کار در تاریخ بشر» نامید.

این دادخواست با جزئیات جدید توضیح می‌دهد که چگونه OpenAI و مایکروسافت محتوای شاکیان را به‌دست آوردند، از جمله استخراج آن از Bing Index.

در این دادخواست آمده است: «OpenAI کل مجموعه داده آموزشی GPT-3 را به مایکروسافت تحویل داد، که مایکروسافت از آن برای ارزیابی نحوه پیاده‌سازی مدل‌های OpenAI در محصولات تجاری خود استفاده کرد. مایکروسافت نیز به‌طور مشابه داده‌های آموزشی را از طریق ابتکاراتی به نام Project Taxi و Project Mango در اختیار OpenAI قرار داد.»

این شرکت‌ها ظاهراً داده‌های Project Mango را در یک مجموعه داده آموزشی گردآوری کردند که حاوی نسخه‌هایی از حداقل ۱۶۰,۹۰۳ اثر منحصربه‌فرد از ناشران خبری است.

به منظور بهره‌برداری حداکثری از استخراج خود، کارمندان OpenAI ظاهراً طرحی برای دور زدن دیوارهای پرداخت بدون شناسایی ارائه کردند. اسناد نشان می‌دهد که وقتی نیک رایدر، محقق OpenAI، به براکمن درباره «یک هک برای دور زدن دیوار پرداخت nytimes» گفت، براکمن پاسخ داد: «آه، خوب.»

کارمندان OpenAI همچنین ظاهراً مجموعه داده‌های آموزشی مانند WebText و WebText2 را ساختند که به‌طور نامتناسبی به محتوای خبری استخراج‌شده متکی بودند. آن‌ها همچنین ظاهراً میلیون‌ها مقاله را از Common Crawl، یک مخزن رایگان و باز از داده‌های خزش وب، استخراج کردند. یافته‌ها همچنین تلاش‌های عمدی برای حذف اعلان‌های حق نشر از داده‌های آموزشی قبل از رسیدن به مدل را توصیف می‌کند، زیرا محققان «نمی‌خواستند مدل» «اعلان‌های حق نشر» را به کاربران «خروجی دهد.»

OpenAI و مایکروسافت به درخواست‌ها برای اظهارنظر پاسخ ندادند.