Генеративный искусственный интеллект. Как ИИ меняет нашу жизнь и работу: читать книгу онлайн полностью и бесплатно

Пабло Пикассо, одному из самых известных живописцев XX века, приписывают слова: «Хорошие художники копируют, великие – воруют»⁴¹. В литературе и изобразительном искусстве принято подражать стилю других авторов, и это часто рассматривается как необходимое условие творческого успеха. Конечно, такое подражание имеет свои границы, которые в законе обозначены как интеллектуальная собственность. Понятие интеллектуальной собственности как вида собственности, на который можно претендовать по закону, возникло в Англии в XVII веке⁴². В Соединенных Штатах раздел 8 статьи I Конституции гласит, что Конгресс обладает полномочиями «содействовать прогрессу в науке и полезных искусствах путем предоставления авторам и изобретателям исключительных прав на соответствующие труды и открытия на ограниченный срок»⁴³. Существует несколько различных видов защиты интеллектуальной собственности: патенты для изобретателей, торговые марки для корпоративных логотипов и символов, коммерческие тайны для закрытой информации, такой как формула Coca-Cola, – однако наиболее спорные юридические вопросы, связанные с генеративным ИИ, касаются потенциальных нарушений авторских прав при обучении моделей и генерации ими результатов.

Авторские права – это исключительные права на произведение творческого самовыражения, будь то изображение, текст, фильм или песня. Обычно владелец авторских прав является единственным, кто может копировать, распространять и демонстрировать или исполнять произведение, и это право ограничено временны´м периодом, по истечении которого работа переходит в общественное достояние (в Соединенных Штатах авторское право начинает действовать с момента создания произведения и заканчивается через 70 лет после смерти создателя)⁴⁴. Управление по авторским правам США заявило, что их политика заключается в том, что текст, изображения и другие медиа, созданные с помощью искусственного интеллекта, не подлежат защите авторским правом, а вот работы людей, в которых есть сгенерированные с помощью ИИ элементы, могут быть защищены при условии, что человек вложил в них достаточно своих творческих усилий⁴⁵. Но наиболее насущный юридический вопрос на сегодня, касающийся LLM, а также моделей для генерации изображений, заключается не в правомерности защиты их авторским правом, а в том, действительно ли они нарушают существующие авторские права художников и писателей, чьи работы вошли в их обучающие данные.

Авторское право, хоть и предоставляет исключительные права на использование, ни в коем случае не является абсолютным. Добросовестное использование – это правовая доктрина, которая определяет, когда допустимо использовать материалы, защищенные авторским правом, без разрешения владельца авторских прав46. Например, пародия обычно рассматривается судом как добросовестное использование, и именно поэтому известный пародист Странный Эл Янкович (Weird Al Yankovic) может продавать с коммерческой целью песни с дублированной мелодией, защищенной авторским правом, и своими собственными комичными текстами (хотя Янкович заявляет на своем веб-сайте, что он все равно получает разрешение от авторов оригинала, чтобы поддерживать отношения, которые выстраивал на протяжении многих лет)47. Как определено в Законе США об авторском праве 1976 года, добросовестное использование зависит от четырех факторов (показаны ниже на рис. 4.7).

Рис. 4.7. Четыре фактора, определяющие добросовестное использование материалов, защищенных авторским правом⁴⁸

Первый фактор, «цель и характер использования», определяется тем, как и почему используется материал, защищенный авторским правом. Коммерческое использование менее вероятно будет считаться добросовестным по сравнению с использованием в образовательных или некоммерческих целях. Например, профессор колледжа может распространять распечатки картин на лекциях по истории искусств, но если кто-то решится продавать футболки с тем же самым изображением, то у него возникнут проблемы. Еще один случай, который относится к этому фактору, – это «преобразующее использование». Фактически суды США пришли к выводу, что если характер использования является преобразующим, то есть добавляется новый элемент, который коренным образом меняет произведение, это не является нарушением авторских прав. Определение преобразующего использования также зависит от того, используется ли производное произведение в целях, отличных от использования оригинального произведения или получения удовольствия от него, – и это важный аргумент в защиту компаний, которые разрабатывают LLM.

Второй фактор, «сущность защищенной авторским правом работы», относится к тому, что к разным типам материалов применяются разные степени защиты. Поскольку первоначальной целью авторского права было стимулирование свободного и творческого выражения, использование более «творческих» работ, таких как песни, пьесы и романы, с большей вероятностью будет считаться добросовестным по сравнению с использованием работ, основанных на фактах или технологиях и защищенных авторскими правами. Другими словами, можно обоснованно утверждать, что упоминание поэтических строк в новом стихотворении является добросовестным использованием, но в отношении фрагмента из журналистского расследования это не так очевидно.

Третий фактор оценивает, какой объем исходной работы был использован повторно. Если значительная часть или почти вся работа, то это с меньшей вероятностью будет считаться добросовестным использованием, чем при действиях с небольшим объемом.

Четвертый и последний фактор касается того, будет ли влиять использование материалов, защищенных авторским правом, на рынок этой работы и в какой степени. Например, если продавец без разрешения распространяет новый фильм онлайн, это может представлять серьезную угрозу для цифровых продаж или доходов от потоковой передачи этого фильма. Использование, которое наносит ущерб рынку продажи оригинального произведения, вряд ли будет считаться добросовестным⁴⁶.

Эти формулировки кажутся слегка размытыми, потому что так оно и есть: ни один из факторов не является строго определенным правилом, и они все рассматриваются в совокупности, если предъявляется иск об авторском праве. Однако прежде, чем перейти к судебным искам, которые уже были поданы против разработчиков LLM, давайте рассмотрим дело, которое также связано с использованием в интернете огромного количества текстов, защищенных авторским правом, – «Гильдия авторов против Google»⁴⁹.

В 2015 году Google сотрудничала с несколькими крупными научными библиотеками для оцифровки их книжных коллекций, насчитывающих около двадцати миллионов томов. Благодаря партнерским отношениям технический гигант получил доступ к книгам, сканировал их и позволял людям искать в них фрагменты текста – и все это без разрешения владельцев авторских прав и без уплаты лицензионных сборов. Дело было передано в Апелляционный суд второго округа, который согласился с мнением суда низшей инстанции, что усилия Google по оцифровке представляют собой добросовестное использование, поскольку функция поиска предоставляет общественности только доступ к информации о книгах, которого у них в противном случае не было бы, и хотя система Google просматривала полный текст книги, поиск выдавал только фрагменты подходящего текста, а не всю книгу целиком. Концепция использования всего исходного материала для принципиально другого инструмента аналогична идее обучения больших языковых моделей.

В целом большие языковые модели, о которых мы говорим, могут быть защищены доктриной о добросовестном использовании, поскольку модель – это совершенно иной продукт, нежели любой из документов, и, следовательно, использование обучающих материалов будет преобразующим. Ситуация осложняется тем, что, как показали пользователи, LLM иногда можно заставить дословно воспроизводить текст. Регулярно воспроизводить «запоминание» исходных материалов сложно из-за вероятностной природы LLM, а также из-за неполного понимания, что именно и как она изучает, поэтому даже их разработчики с трудом могут сказать, когда модель будет воспроизводить обучающие тексты дословно. Однако, учитывая прецедент «Гильдия авторов против Google», шансы на то, что обучение LLM будет признаваться добросовестным использованием, кажутся значительными.

Большие языковые модели – не единственные генеративные модели, которые вызывают ажиотаж в сфере авторского права. Как упоминалось ранее, существуют великолепные генеративные модели, способные создавать все виды синтетических медиа, включая изображения, звук и видео. Некоторые из самых популярных моделей, включая Midjourney и Stable Diffusion, представляют собой модели преобразования текста в изображение: пользователи могут описать, как должно выглядеть их изображение, и модель сгенерирует его за них.

Модели для создания изображений, как и LLM, обучаются на огромных объемах данных из интернета. Аналогично наборам данных в виде текста на Common Crawl, существуют датасеты изображений, например LAION‐5B – набор из 5,8 миллиарда изображений, собранных некоммерческой организацией Large-Scale Artificial Intelligence Open Network (LAION). LAION‐5B используется компанией Stability AI, разработчиком Stable Diffusion, и другими; он состоит из изображений, которые находятся в открытом доступе в интернете, включая стоковые изображения и фотографии из различных изданий. Один немецкий фотограф, обнаружив, что некоторые из его стоковых изображений были использованы в LAION‐5B, попросил их удалить. Компания LAION ответила, что такой запрос выполнить невозможно, поскольку в базе данных есть только ссылки на изображения, но сами они не хранились, и поэтому нельзя быстро установить, какие именно фотографии были взяты из его портфолио. Законодательство об авторском праве в Германии, как и во многих других странах, допускает анализ данных, если они «доступны на законных основаниях» и впоследствии удаляются, но появление генеративных моделей заставило обратить на этот принцип более пристальное внимание⁵¹. Позже Stability AI объявила, что они готовы удовлетворять запросы на удаление от правообладателей, чьи работы были включены в набор данных LAION⁵¹.

Компания Getty Images также подала в суд на Stability за использование более 12 миллионов фотографий из ее коллекции^{50, 52}. В иске они написали:

Подтекст ясен: генеративные модели на основе ИИ представляют реальную угрозу для Getty и стоковой фотографии как отрасли. Getty надеется получить компенсацию за свою работу и нарушение авторских прав, но, как и в случае с большими наборами текстовых данных, трудно определить, сколько информации модель сохраняет из любого отдельного изображения, и, опять же, использование данных компанией Stability AI может считаться преобразующим.

Занятно, но у Getty могут быть более веские обвинения из-за артефакта, который присутствует в обучающих данных:

Stable Diffusion или даже ее пользователи могут быть уличены в нарушении прав на товарные знаки, если на изображениях появляется водяной знак Getty Images, хотя Stability AI, несомненно, быстро отреагирует на такие события. В целом, это относительно неизведанная область права.

Все становится еще более рискованным, когда модель запоминает не только изображение, сделанное художником-человеком, но и фактически запоминает и воспроизводит его стиль. В дополнение к генерации фотореалистичных визуализаций, генеративные модели, включая Midjourney и Stable Diffusion, способны создавать иллюстративный материал в определенных стилях, как было описано в разделе 4.2. Стиль, как правило, не защищен авторским правом, но не сложно понять, почему художники думают, что такая имитация может обесценить или умалить их работу. Выдающаяся художница-аниматор Сара Андерсен, которая публикует веб-комиксы из коллекции «Каракули Сары», написала публикацию в New York Times о том, как ультраправые интернет-тролли позаимствовали ее комиксы, отредактировав текст и изображения, чтобы изменить их значение. На рис. 4.8 показан пример иллюстрации, сгенерированной инструментом на основе ИИ в ее художественном стиле с явно искаженным текстом, но сохраненными визуальными элементами. «Когда я заглянула на веб-сайт haveibeentrained.com, созданный для того, чтобы люди могли осуществлять поиск по датасету LAION, я нашла там так много своих работ, что они заполнили весь экран моего рабочего стола», – заявила Андерсен и выразила беспокойство, что инструменты искусственного интеллекта снова будут использованы для искажения ее творений54.

Рис. 4.8. Изображение, созданное ИИ на базе генеративной модели с открытым исходным кодом с помощью промпта «Веб-комикс Сары Андерсен»

Андерсен является одним из трех истцов, наряду с Карлой Ортис и Келли Маккернан, подавших коллективный иск против Midjourney, Stability AI и DeviantArt. Как и Андерсен, Маккернан и Ортис обнаружили, что эти инструменты могут создавать изображения в их стилях, что им лично кажется нарушением персональных прав. «Они обучили эти модели на наших работах. Они отняли у нас право решать, хотим мы в этом участвовать или нет», – сказала Ортис^{54, 55}.

Еще неизвестно, чем закончится дело Андерсен, Ортис и Маккернан [50], но люди по всему миру продолжают использовать эти инструменты для создания новых форм искусства и экспериментов с ними. Доктрина добросовестного использования недостаточно строга, и поэтому новые судебные прецеденты могут изменить текущий статус-кво в практиках разработки и использования ИИ-моделей. Но в то же время многие наборы данных и модели, о которых мы говорим, уже распространяются по принципам открытого исходного кода, а это означает, что любой желающий может либо обучить свою собственную модель, либо создать новую версию уже существующей. Независимо от того, будут ли определенные компании менять процедуру создания своего набора данных или они решат в конечном итоге оплатить ущерб или лицензионные сборы, художественные работы, сгенерированные с помощью ИИ, – от комиксов до музыки и поэзии – уже вошли в нашу жизнь.

4.3.2. Свободное программное обеспечение и лицензии

Как мы уже упоминали, из-за того, что для создания больших языковых моделей требуется огромный объем данных и вычислений, эта работа до сих пор в основном выполнялась несколькими крупными технологическими компаниями и хорошо финансируемыми стартапами. Но сейчас ситуация меняется благодаря сообществу свободного программного обеспечения (Open Source community). Свободное программное обеспечение подразумевает, что его исходный код является открытым и доступным для использования и модификации. Более того, Open Source – движение, сторонники которого верят, что программное обеспечение с открытым исходным кодом является общественным благом и ведет к улучшению программного обеспечения за счет расширения сотрудничества и вовлеченности, а также снижения входного барьера. Точно так же, сторонники движения за открытые данные считают, что при широком доступе к данным общественность будет более информирована, поэтому данные, собранные или подготовленные правительственными и некоммерческими организациями, научно-исследовательскими и другими сообществами, должны быть в свободном доступе для использования и развития.

Интересно, что модели для генерации изображений обогнали LLM в плане доступности данных. После запуска проекта ImageNet профессора информатики Фей-Фей Ли из Стэндфордского университета ученые, интересуясь моделям компьютерного зрения, собрали большой набор данных изображений. В 2006 году Ли пришла в голову пророческая гипотеза о том, что наибольшие успехи в компьютерном зрении могут быть достигнуты не обязательно за счет новых, более совершенных алгоритмов, а за счет более качественных (и объемных) данных. Она начала создавать базу данных ImageNet, которая в конечном итоге разрослась до миллионов изображений по сотням видов объектов: животным, предметам домашнего обихода, ландшафту и многому другому. Вначале к ImageNet относились со скептицизмом, но потом эта сеть стала стандартом, по которому все модели компьютерного зрения оценивают свои результаты. Это дало не только толчок к решению проблемы обнаружения объектов (которая теперь считается «решенной» на датасете ImageNet, поскольку новейшие модели работают практически идеально), но и положило начало эре совместного использования эталонных наборов данных для обучения и тестирования моделей. О влиянии ImageNet Ли сказала: «Сейчас очень быстро растут и расцветают всевозможные наборы данных, от видео до записей речи, игр и всего остального». Конечно, это также послужило доказательством ее первоначальной гипотезы, которая затем подтвердилась успехом больших языковых моделей⁵⁶.

Таким образом, во всех проблемных областях, от естественного языка до изображений и видео, полезно неустанно собирать данные. Как и более поздние наборы данных, ImageNet был сформирован фотографиями из интернета, которые затем были размечены сотрудниками краудсорсинговой платформы Amazon Mechanical Turk. С помощью минимального количества кода люди могут собирать текстовые и визуальные данные, подключаясь к веб-странице и копируя ее контент. Эта практика называется веб-скрейпингом (web scraping) и неоднократно признавалась законной57, если собираемые данные находились в открытом доступе, – практически это все, что вы можете увидеть в интернете. Например, если сайт индексируется поисковыми системами, это значит, что боты автоматически извлекают из него данные. Некоторые владельцы веб-сайтов – в частности, Reddit, X (Twitter) и Stack Overflow, – которые часто являются источниками данных для LLM, публично заявили о планах взимать плату с разработчиков искусственного интеллекта за использование этих данных, хотя неясно, как это будет выглядеть на практике. Скорее всего, они будут продавать наборы данных, из-за чего отпадет необходимость в веб-скрейпинге58. Люди, которые занимаются поддержкой веб-сайтов, могут добавить файл robots.txt – набор инструкций, указывающих боту, на каких страницах он может извлекать данные, а на каких нет. На практике файлы robots.txt – просто рекомендации, и вредоносные программы легко могут их игнорировать.

И хотя юридические ограничения для общедоступного контента минимальны, не стоит забывать что и код, и данные имеют лицензии. Некоторые из них являются лицензиями с открытым исходным кодом, которые в явном виде разрешают все производные виды использования. Например, лицензия MIT является разрешительной лицензией на программное обеспечение – и по факту самой популярной лицензией на GitHub, – которая позволяет многократное использование кода внутри проприетарного ПО⁵⁹. Другие лицензии допускают использование только в некоммерческих целях, только с указанием авторства или при соблюдении множества других условий. Лицензии на код и данные имеют юридическую силу⁶⁰.

В коллективном иске, поданном разработчиками ПО против Microsoft, GitHub и OpenAI из-за выпуска LLM-инструмента Copilot, вопрос нарушения лицензии на код является центральным. Copilot основан на версии модели GPT‐3 от OpenAI, специально настроенной для написания кода и обученной на тысячах репозиториев GitHub. Как и в случае с авторским правом, существует судебное разбирательство по поводу использования этого кода для обучения LLM; пока неясно, как в этом случае будут задействованы законы о лицензировании вместо доктрины добросовестного использования. Истцы по делу утверждают, что использование приравнивается к «компьютерному пиратству в беспрецедентных масштабах», в то время как ответчики заявляют, что истцы подрывают принципы открытого исходного кода, требуя «судебного запрета и многомиллиардной непредвиденной прибыли» за «программное обеспечение, которым они и так охотно делятся»⁶¹.

Между тем такие компании, как Hugging Face, уверенно придерживаются принципов открытого исходного кода, создавая и публикуя модели и наборы данных для бесплатного использования⁶². Это создает экосистему быстрой разработки и распространения, потому что люди, не связанные ни с одной престижной лабораторией ИИ, все же могут получить доступ к самым последним выпускам, а в некоторых случаях даже улучшить их. Это сопряжено с определенными рисками, поскольку любые механизмы, встроенные для предотвращения возможного вреда, могут быть сняты последующими пользователями. Будет сложнее предотвратить создание поддельного контента или обеспечить соблюдение существующих авторских прав.

[50] На момент создания русского перевода большинство притязаний было отвергнуто, тем не менее истцы добились одной небольшой, но значимой победы: судья не принял аргументы компаний-ответчиков, что подобные иски могут подлежать раннему прекращению как подавляющие свободу слова. – Прим. науч. ред.