Py学习  »  chatgpt

ChatGPT版权第一案:OpenAI面临六项指控,因输出图书摘要被“抓包”

华尔街俱乐部 • 8 月前 • 54 次点击  

《AI未来指北》栏目由腾讯新闻推出,邀约全球业内专家、创业者、投资人,探讨AI领域的技术发展、商业模式、应用场景、及治理挑战。

文/ Kaysen

编辑/ 晓静

2023年6月28日,第一起具有代表性的ChatGPT版权侵权之诉,终于出现在了公众视野。两名作家在美国加州北区法院,对Open AI公司发起了版权集体诉讼,指控后者未经授权利用自身享有版权的图书训练ChatGPT,谋取商业利益。

原告Paul Tremblay和Mona Awad居住于马萨诸塞州,分别享有涉案作品《The Cabin at the End of the World》和《13 Ways of Looking at a Fat Girl and Bunny》的版权;被告Open AI创建和运营了生成式人工智能产品ChatGPT,目前主要由GPT-3.5和GPT-4两个底层大语言模型驱动。

起诉状指出,虽然原告没有授权Open AI使用自身享有版权的图书进行模型训练,但ChatGPT却能够根据prompts指令输出图书的摘要,而这只有在被告将涉案图书纳入语料库加以训练才可能发生。


01

因为输出图书摘要而被“抓包”

原告表示,Open AI训练数据集中收录的大量内容属于版权保护的作品,这其中便包括原告享有版权的图书。但Open AI既没有经过原告的同意,也没有标明内容来源、支付必要的费用。而原告出版的图书具有明确的版权管理信息,包括出版号、版权号、版权人姓名以及使用条款等。

原告从既有的事实和信息可以推断,ChatGPT之所以可以准确生成特定图书的摘要,唯一可解释的原因便是Open AI获取、复制了涉案图书,并用于旗下大语言模型(GPT3.5 或GPT4)的训练。

原告测试发现,当通过prompts的方式要求ChatGPT总结两部涉案图书时,ChatGPT可以生成较为准确的摘要(虽然也存在少量的错误内容)。这表明ChatGPT保存了被训练数据集中特定作品的内容,并能够输出对应的文本。与此同时,ChatGPT通过对大语言模型内容生成原理的设计,输出内容并不会包含原有的版权管理信息。

02

“ChatGPT,你是如何运行的!”

本案有意思之处在于,原告证明Open AI侵权的过程中,对于ChatGPT基本原理的介绍,是建立在同ChatGPT对话,让其“进行自我介绍”的基础之上。具体内容总结如下。

Open AI至今已经公开了一系列的大语言模型,包括GPT-1(2018·6)、GPT-2(2019·2)、GPT-3(2020·5)、GPT-3.5(2022·3)以及最新的GPT-4(2023·3)。通常来讲,人工智能软件旨在借助统计学方法,通过算法模拟人类的逻辑和推理。大语言模型则是一类专门的人工智能软件,用来解析和输出自然语言。

一方面,Open AI以每个月20美元的价格将ChatGPT通过网络页面的方式提供给用户。使用者可以选择两个版本的ChatGPT,GPT-3.5模型或者更新后的GPT-4模型。另一方面,ChatGPT也以API的方式提供给软件开发者。API接口允许开发者撰写程序用于和ChatGPT进行数据交换,在此情况下则是按照使用量来计费。

不管是以页面还是API方式提供服务,ChatGPT都会积极响应用户的prompts请求。如果用户向ChatGPT提问,它会给出答案;如果用户向ChatGPT下指令,ChatGPT会执行;如果用户要求ChatGPT总结一本图书的摘要,ChatGPT依然会照做。

03

图书是大模型训练的核心语料

原告着重论证的观点是,不同于传统软件是由工程师撰写代码而成,大语言模型则是通过“训练”的方式研发——收集不同来源的海量内容语料并“投喂”给模型,这些语料被称为训练数据集(training dataset)。

大语言模型会不断调整自身的输出,尽可能的接近被训练作品中的文字组合顺序。值得关注的是,虽然很多内容都被用来训练大语言模型,但图书一直是训练数据集中核心的语料素材,因为其提供了高质量长篇写作的最佳范例。

在2018年6月发表的企业论文《通过生成式预训练提升语言理解力》中,Open AI披露GPT-1的训练依赖于“BookCorpus”的数据集。“BookCorpus”包含7000本涉及探险、奇幻、浪漫等不同领域的图书。Open AI指出,之所以图书作为训练语料尤为重要,是因为其包含了长篇幅的连续文本,这可以让生成式模型学习如何处理长文本信息的能力。

包括Open AI、谷歌、亚马逊等在内的众多人工智能研发企业,都利用“BookCorpus”进行模型训练。2015年,一个人工智能研究团队创建了该数据集,其包含的图书来源于Smashwords.com网站,但“BookCorpus”在收录这些图书时未获得版权人授权。

04

揭秘GPT背后的图书语料库

通过公开检索Open AI主动披露信息(企业论文)的方式,原告希望论证GPT系列模型的训练建立在,未经授权侵权利用海量图书内容的基础之上。在2020年7月发表的企业论文《语言模型是小样本学习者》中,Open AI披露GPT-3训练数据集中15%的内容,来源于两个名为“Books1”“Books2”的电子图书语料库。

虽然Open AI没有说明“Books1”和“Books2”内容的具体情况,但可以通过相关线索推断:第一,两个语料库均来自于网络;第二,两个语料库的规模均明显大于“BookCorpus”。根据Open AI的披露,“Books1”的规模是BookCorpus的9倍(约6.3万本书),Books2是42倍(约29.4万本书)。现实中,只有极少数的数据库能够提供如此规模的图书语料。
一方面,“Books1”大概率来源于“古登堡项目”或“古登堡语料库标准化项目”。“古登堡项目”(Project Gutenberg)是一个汇集“超过版权保护期限”的在线电子书库。2020年9月,古登堡项目宣布已经收录超过6万本书。因为不受版权保护,古登堡项目一直被广泛用作人工智能模型训练。2018年,一个人工智能研究团队在“古登堡项目”的基础上,创建了超过5万本图书的“古登堡语料库标准化项目”(Standardized Project Gutenberg Corpus)。
另一方面,“Books2”极大可能来源于网络上的“影子图书馆”。“Books2”数据集大约含有2.94万本书,只有饱受诟病的“影子图书馆”(shadow library),能够提供如此规模的图书语料。例如Library Genesis、Z-Library、Sci-Hub和Bibliotik等。“影子图书馆”一词由美国社会科学研究理事会,在2011年发表的《新兴经济体中的媒体盗版问题》文章中创造,指代侵权收录大量书籍并向公众免费开放的网站。
2023年3月,Open AI发布GPT-4企业论文,但表示“出于行业竞争形势和产品应用安全角度考量,不再对训练数据集的结构和内容进行相关披露。”

05

Open AI面临的六项侵权指控

原告针对Open AI一共发起了六项指控,前三项涉及版权侵权,第四项涉及不正当竞争,第五和第六项涉及两类基本民事责任——注意义务和不当得利。

第一、版权直接侵权。原告没有授权Open AI对其图书进行复制、制作演绎作品,也没有授权Open AI公开展示、分发上述复制品或演绎作品。

此外,原告强调,因为Open AI大语言模型需要从原告图书中提取和保存表达性信息才能够运行,所以在缺乏原告授权的情况下,大语言模型本身构成侵权演绎作品。

第二、版权替代侵权。原告强调,在缺乏授权的情况下,大模型每次输出的内容都构成侵权演绎作品。因为有权利和能力控制大语言模型的内容输出,并从中获得了经济利益,所以Open AI构成版权替代侵权。

在美国判例法体系下,“替代侵权”和“帮助侵权”“教唆侵权”共同构成了版权间接侵权的完整体系。间接侵权与直接侵权相对,意指侵权人虽然没有直接从事版权专有权利规制的行为(即版权直接侵权),但却为版权直接侵权提供了一定的助成条件。

第三、违反DMCA中版权管理信息的规定。从产品设计机制来看,ChatGPT输出的内容不会保留作品的“版权管理信息”(CMI),所以被告故意移除原告作品版权管理信息的行为,违反《数字千年版权法》(DMCA)的规定。此外,在未获授权的情况下,被告分发了不含有版权管理信息的侵权演绎作品,也违反了DMCA。

“版权管理信息”是一种能够识别有关作品权利人、权利归属和使用条件的相关信息。不管是在美国是我国,删除或改变版权管理信息,或向公众提供被删除或改变版权管理信息的作品,都构成违法。

第四、不正当竞争。Open AI未经授权使用原告受版权保护的作品进行模型训练,这一行为违反了《加利福尼亚州商业和职业条例》,因为其具有不正当性、不道德性、强迫性并损害了消费者利益。

被告有意设计了ChatGPT,可以在不标明内容出处的情况下,输出原告作品的片段和摘要。ChatGPT通过隐瞒作者、复制被侵权作品内容和观点的方式,研发商业产品获取不公平的利益和名声。

第五、过失侵权即违反注意义务。Open AI需要承担《加州民法典》规定的注意义务——所有人对于他人应当采取一种合理的行为方式。这一义务建立在行业惯例、商业实践、被告掌握的信息以及基于信息所拥有的控制能力基础之上。

被告一旦为了训练GPT模型而收集原告享有版权的作品,那么便需要负有一定的注意义务:当预见到未经授权将作品进行模型训练会对原告造成损害时,便不应再侵权利用这些作品。

第六、不当得利。原告为创作涉案图书付出了实质性的时间和精力。因为自身作品被未经授权的用来训练GPT模型,原告被剥夺了从作品中原本可以获利的权利。通过使用原告作品训练GPT模型获得商业利益,占据这些利益对于被告而言是不公平的。除非加以禁止或限制,被告的行为将会给原告造成难以弥补的损害。

写在最后:本案待探讨的三个问题。

作为ChatGPT版权侵权的首例代表性诉讼,加州北区法院做出正式判决仍将经历一个漫长的过程。但在此之前,针对原告起诉状中的具体内容,仍然有一些问题值得关注和思考。

关注一:发现模型侵权不容易。

大语言模型的训练本质上是一种机器内部的、非外显性作品利用行为,版权人存在发现自身作品被侵权的现实难题。一般来说,只能通过比对模型生成内容和自身作品存在实质性相似,倒推出模型训练阶段存在未经授权的作品利用行为。本案中,原告之所以能够指控自身图书被Open AI旗下的大语言模型侵权训练,便是从发现ChatGPT输出了自身作品的摘要,倒推而来。

但这一主张是否成立仍有待探讨。若ChatGPT输出的作品摘要,仅是建立自身在收集网络上原告图书公开介绍资料的基础上,而非直接对原告图书进行复制和训练,那么该侵权指控的正当性便会受到动摇。原告也承认ChatGPT输出的自身图书摘要存在少部分事实错误,一定程度也表明大模型可能并未完整的学习涉案图书。

关注二:侵犯何种权利待论证。

目前来看,虽然“作品数据的储存行为”形式上可以落入版权法“复制权”的规制范畴,但核心的“作品数据的训练行为”,是否侵权以及侵犯何种版权法上的权利尚未有一致结论。本案,原告强调大语言模型的正常运行和内容输出,建立在对作品语料的训练基础之上,所以大模型训练便构成版权侵权,大模型本身也构成侵权演绎作品。

这一主张亦仍有待探讨。除了少数类似于本案“以prompts方式要求概括、总结、翻译特定版权作品”这类特殊内容生成需求之外,绝大多数情况下大模型接收开放式内容生成指令(不限定特定作品、特定作家风格),基本不会输出特定作品甚至说特定作品的片段,也就不构成版权法上的侵权。

关注三:上下游责任需明确。

在大模型版权领域,模型研发者对于大模型本身享有相关权利,所以承担模型训练涉及的版权责任;而对于大模型输出的内容,从目前行业实践来看,通行做法是通过合同方式,明确权利和责任均属于使用者。在2023年7月10日,网信办发布的《生成式人工智能服务管理暂行办法》也明确认可,“提供者应当与使用者签订服务协议,明确双方权利义务。”

值得关注,从原告诉讼请求看,亦遵循了模型训练和内容输出两个阶段,权利责任二分的思路。原告对于版权直接侵权的主张,聚焦于Open AI模型训练阶段:一是,未经原告授权在模型训练过程中制作了图书的复制品;二是在缺乏原告授权的情况下,大语言模型本身构成侵权演绎作品。原告对于ChatGPT输出内容侵权的指控,仅是主张Open AI构成版权间接侵权(替代侵权)。这也意味着对于大模型输出的内容,是由使用者承担版权直接侵权责任,因为其享有对应的权利。






腾讯科技完整编译


转自腾讯科技 作者 Kaysen 首发于公众号“腾讯科技”(ID:qqtech),欢迎关注

本文由「华尔街俱乐部」推荐,敬请关注公众号: wallstreetclub

声明:本文仅代表作者个人观点,不构成投资意见,并不代表本平台立场。文中的论述和观点,敬请读者注意判断。


版权声明:「华尔街俱乐部」除发布原创市场投研报告外,亦致力于优秀财经文章的交流分享。部分文章、图片和资料来自网络,版权归原创。推送时未能及时与原作者取得联系。若涉及版权问题,敬请原作者添加WSCHELP微信联系删除。谢谢授权使用!


关于我们

华尔街俱乐部凝聚华尔街投行的高端资源,为中国民营企业“走出去”提供全方位的顾问服务,包括企业赴美上市、战略投资、并购、私募路演和投资者关系等。在投资理念和技术方面提供华尔街投行专家实战培训,为您进入华尔街铺设成功之路。联系我们:ecompo@mail.com


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/160219
 
54 次点击