قاضی ویلیام الساپ در پروندهای علیه Anthropic حکم داد که خودِ آموزش مدلهای زبانی روی کتابها بهتنهایی غیرقانونی نیست، اما استفاده از نسخههای دزدیدهشده از «کتابخانههای سایهای» آنلاین مصداق نقض حق نشر شناخته شد و شرکت را ملزم به پرداخت 1.5 میلیارد دلار کرد. این حکم نشان میدهد نقطه تمرکز قضایی از «آیا دادهها استفاده شدهاند؟» به «چگونه و از چه منبعی تأمین شدهاند؟» منتقل شده است.
پروندههای کلیدی و دلیل ابهام موجود
دو روند قضایی اخیر مسیر بحث را مشخص کردهاند: حکم الساپ در پرونده Anthropic که بر منشأ دادهها تأکید داشت و رأی قاضی استفانوس بیباس در پرونده Thomson Reuters علیه Ross Intelligence که نتیجه گرفت استفاده از محتوای یک تولیدکننده برای ساخت محصولی رقیب، احتمالاً مشمول «استفاده منصفانه» نیست. حقوقدانان میگویند این آراء هنوز استاندارد واحدی تعیین نکردهاند و قضات ناچارند قواعد نوشتهشده در دهه 1970 را برای فناوریهای نوین تفسیر کنند.
نقش «استفاده منصفانه» در دعاوی مربوط به آموزش مدل
اصل «استفاده منصفانه» (استفاده منصفانه) محور اختلاف است. قاضیان معمولاً چهار عامل را بررسی میکنند: هدف و ماهیت استفاده، ماهیت اثر دارای حق نشر، مقدار و نسبت بخش استفادهشده، و تأثیر آن بر بازار اثر اصلی. در پروندههای آموزش مدل، پرسش کلیدی این است که آیا آموزش مدل یک کارکرد متفاوت و تحولآفرین ایجاد میکند یا عملاً محصولی جایگزین آثار اصلی میسازد.
اهمیت منشأ و کیفیت دادهها
الساپ خاطرنشان کرد تفاوت بین خواندن یک کتاب برای یادگیری و کپیبرداری مستقیم از فایلهای منتشرشده چشمگیر است. شرکتهایی که از منابع مجاز و قراردادهای مجوزدهی استفاده میکنند، در موقعیت حقوقی بهتری قرار دارند؛ اما بهرهبرداری از مخازن غیرقانونی یا برداشت از منابع بدون اجازه، ریسک قابلتوجهی ایجاد میکند. بهعبارت دیگر، منشأ داده اغلب تعیینکننده نتایج قضایی است.
نمونههای ملموس: Anthropic و Ross Intelligence
در پرونده Anthropic، قاضی آموزش مدل از کتابها را از نظر نظری مشابه مطالعه و کسب مهارت نوشتن دانست، اما استفاده از نسخههای غیرقانونی منشأ مشکل بود. در پرونده Thomson Reuters علیه Ross Intelligence، قاضی بیباس تشخیص داد استفاده از محتوا برای تولید یک سامانه حقوقی رقابتی تحولآفرین نیست و بنابراین مشمول استفاده منصفانه نمیشود. نتیجه هر دو پرونده تأکید بر نقش هدف نهایی استفاده و منشأ داده است.
چالشهای فنی و اثباتی
قضات و طرفهای دعوی با چند مشکل فنی روبهرو هستند:
- ردیابی منشأ: مجموعهدادههای بزرگ و ترکیبی، شناسایی اینکه اطلاعات از کدام اثر خاص گرفته شده را دشوار میسازند.
- اندازهگیری سهم دادههای دارای حق نشر در خروجی مدل: تعیین نسبت محتوای آموزشدیده که در پاسخها بازتولید میشود، پیچیده است.
- تشخیص تولید بشری در برابر تولید ماشینی: تعیین مالکیت و مصادیق مالکیت فکری در آثار تولیدشده توسط مدلها چالشبرانگیز است (مسائل مالکیت فکری).
- فقدان شفافیت در مجموعهدادهها: بسیاری از مؤسسات از منابع اینترنتی بدون مستندسازی دقیق استفاده میکنند که روند تحقیق و اثبات را دشوار میکند.
توصیههای عملی برای نویسندگان، ناشران و شرکتها
تلاشهای عملی میتواند ریسک حقوقی را کاهش دهد:
برای نویسندگان و ناشران
- مستندسازی انتشار و صدور مجوزها برای آثار؛
- پایش استفادههای آنلاین از آثار و اعلام نقضها بهموقع؛
- مطالبه شفافیت در زنجیره تأمین دادهها از شرکتهای بزرگ فناوری.
برای شرکتهای هوش مصنوعی
- کسب مجوزهای صریح برای مجموعهدادههای محافظتشده؛
- ایجاد و مستندسازی نظامهای ردیابی منشأ (provenance) برای دادههای آموزشی؛
- ارائه سیاستهای شفاف درباره منابع و فرآیندهای آمادهسازی داده؛
- اجرای ارزیابیهای حقوقی-اخلاقی پیش از انتشار محصولات تجاری که از محتواهای محافظتشده بهره میبرند.
چشمانداز حقوقی
آینده حوزه آموزش مدلها با دادههای محافظتشده احتمالاً از دل ترکیب آراء قضایی، استانداردهای صنعتی و اصلاح قوانین پدید خواهد آمد. اقدامات مفید شامل تشویق به شفافیت در زنجیره تأمین داده، توسعه استانداردهای صنعتی برای نشانهگذاری و ردیابی دادهها و اصلاح قوانین ملی یا فراملی برای پرداختن به ویژگیهای خاص فناوریهای یادگیری ماشینی است. در فضای فعلی، راهحلهای پایدار نیازمند همکاری میان قانونگذاران، قوه قضاییه، تولیدکنندگان محتوا و صنعت فناوری است، نه تفسیرهای سلیقهای از قوانین قدیمی.
