Внутренние документы Microsoft: обучение ИИ назвали «крупнейшей кражей труда в истории»

Суд снял часть засекреченности с материалов трёхлетнего иска, который The New York Times подала к OpenAI и Microsoft, обвинив компании в нарушении авторских прав при обучении генеративных моделей. Из новых документов следует, что во внутренней переписке сотрудники обеих компаний оценивали происходящее куда жёстче, чем на публике.

Большая часть цитат взята из самого ходатайства газеты, а не из приложенных материалов, которые остаются под грифом, — то есть высказывания приводятся без исходного контекста. Тем не менее формулировки красноречивы. В служебной записке от января 2023 года директор по прикладной науке Microsoft Брент Хект назвал сбор данных «поразительной кражей беспрецедентного масштаба» и «крупнейшей кражей труда в истории человечества».

Аргумент против «добросовестного использования»

Юридический спор упирается в доктрину fair use, и суды пока чаще склоняются на сторону ИИ-компаний; в начале месяца в защиту OpenAI выступила и администрация Трампа. Однако один из ключевых критериев доктрины — чтобы использование не подменяло оригинал и не било по его рынку. Именно этому противоречат вскрывшиеся признания.

По собственным данным Microsoft, «поисковик с ответами» Copilot снизил переходы на сайт NYT на величину до 93% по сравнению с обычным поиском Bing. Внутренняя презентация Хекта от января 2024 года описывает это как «петлю обречённости», которая «навредит и нашим моделям, и всему вебу разом». В документе прямо сказано: необычно, когда конечный продукт угрожает экономическому фундаменту собственных поставщиков, но именно такую ситуацию компания создала для своей «цепочки поставок контента».

Глава ChatGPT Ник Тёрли писал, что издатели сталкиваются с «экзистенциальной угрозой», а продукты вроде чат-бота «в значительной мере замещают» оригинал и будут делать это всё сильнее. Президент OpenAI Грег Брокман называл модели «превосходными в новостях». Сатья Наделла под присягой признал, что общение с чат-ботом заменяет поход на сайт-первоисточник; он же заявил, что всё, что за пейволом, следует лицензировать, и что, знай он о сборе платного контента, потребовал бы от OpenAI переобучить модели.

Масштаб и методы

Цифры впечатляют: только промежуточные датасеты OpenAI содержат свыше 91 692 копий материалов NYT, Daily News и Center for Investigative Reporting, а один набор на базе Common Crawl включал более 2 млн документов с nytimes.com. Данные из совместного проекта Project Mango собрали не менее 160 903 уникальных работ новостных издателей.

Документы описывают и способы обхода защиты. Когда исследователь OpenAI Ник Райдер рассказал Брокману про «хак для обхода пейвола NYT», тот ответил: «о, класс». Из данных перед обучением намеренно вычищали уведомления об авторских правах — чтобы модель не выдавала их пользователям.

OpenAI и Microsoft на запрос о комментарии не ответили.

Источник: TechCrunch