Oczyszczanie internetu zostało przełożone. Prawnicy Microsoftu i OpenAI przyznają, że szkolenie bez obcych treści to fikcja ekonomiczna

Giganci technologiczni przestali udawać, że mogą trenować najnowocześniejszą sztuczną inteligencję wyłącznie na danych z domeny publicznej i zakupionych archiwach. Dokumenty przedłożone przez OpenAI i Microsoft brytyjskiej Izbie Lordów ujawniają pragmatyczną obronę obecnego podejścia do danych. Przyznają oni, że pobieranie danych z całej sieci jest kontrowersyjne, ale upierają się, że bez tego nie jest to ani technicznie, ani ekonomicznie wykonalne.

Przedstawiciele 404 Media ostro krytykują to stanowisko jako kradzież. Z biznesowego punktu widzenia jest to jednak jasne wyznaczenie granic. OpenAI wprost stwierdza, że prawo autorskie, w obecnym kształcie, w zasadzie zakazałoby istnienia modeli podstawowych (foundation models), gdyby było ściśle egzekwowane w Internecie. Doktryna prawna dozwolonego użytku (fair use) jest zatem dla nich egzystencjalną koniecznością, a nie tylko wygodną luką.

Koniec mitu o czystych danych

Dla klientów korporacyjnych i inwestorów to oświadczenie jest ważnym sygnałem. Oznacza definitywny koniec mitu, że ktoś wkrótce zbuduje równie sprawny model wyłącznie na licencjonowanych i „czystych” danych. Umowy komercyjne z wydawcami (takie jak OpenAI z Axel Springer czy AP) to tylko kropla w morzu wymaganego wolumenu szkoleniowego.

Otwarte przyznanie się do zależności od web scrapingu pokazuje, że ryzyko pozwów o naruszenie praw autorskich jest na stałe wliczone w model biznesowy. Firmy zajmujące się sztuczną inteligencją zakładają, że presja technologiczna i geopolityczna zmusi sądy i organy regulacyjne do naginania zasad na korzyść rozwoju, zamiast ryzykować powstrzymanie innowacji w danym kraju.

Kto zapłaci za infrastrukturę sieci

Prawdziwym problemem nie jest samo szkolenie, ale wpływ na ekosystem, który produkuje dane. Twórcy treści i mniejsze strony internetowe tracą ruch, ponieważ LLM odpowiadają bezpośrednio na czacie. Jeśli model ekonomiczny twórców załamie się, modele stracą źródło nowych danych do szkolenia przyszłych pokoleń (tzw. załamanie modelu - model collapse).

Podczas gdy duzi wydawcy wynegocjują indywidualne licencje, długi ogon Internetu pozostaje bez rekompensaty. Obecna sytuacja jest nie do utrzymania: firmy zajmujące się sztuczną inteligencją wydobywają wartość z publicznej sieci jako z darmowej infrastruktury, ale jednocześnie swoimi produktami aktywnie podważają tę infrastrukturę.

Nowa definicja praw autorskich

Ten konflikt zmierza ku nieuniknionemu przepisaniu zasad. Niezależnie od tego, czy poprzez nowe przepisy, czy precedensowe orzeczenia sądowe, definicja praw autorskich będzie musiała dostosować się do faktu, że czytanie tekstu przez maszynę w celu zrozumienia wzorców nie może być dłużej karane tak samo jak pirackie kopiowanie.

Mechanizmy rezygnacji ze szkoleń

O tym zadecyduje sposób, w jaki organy regulacyjne podejdą do mechanizmów opt-out. Dowodem zmiany nie będzie kolejny pozew pisarzy, ale powszechne wdrożenie technologii, które pozwolą właścicielom stron internetowych na skuteczne negocjowanie ceny za włączenie ich danych do korpusu szkoleniowego.

Werdykt Lilith

Skończyły się bajki o tym, że modele można karmić wyłącznie kupionymi treściami pochodzącymi z uczciwego handlu. OpenAI właśnie powiedziało w sądzie na głos to, co wszyscy wiedzą: nasz biznes działa tylko dlatego, że wzięliśmy cały internet za darmo, a jeśli nam tego zabronicie, to z nami koniec.