مجوزهای دوگانه آپاچی و رِیل چگونه سازوکارهای ایمنی هوش مصنوعی را بی‌اثر می‌کنند

موافقان مجوزهای رفتاری استدلال می‌کنند که انتشار شبکه‌های عصبی قدرتمند مستلزم اعمال محدودیت‌های حقوقی الزام‌آور بر نحوه استفاده از این مدل‌هاست، تا اطمینان حاصل شود توسعه‌دهندگان نمی‌توانند آن‌ها را برای نظارت همگانی یا مقاصد آسیب‌رسان به کار گیرند. در مقابل، مدافعان سنتی نرم‌افزار آزاد و متن‌باز بر این باورند که هرگونه محدودیت در حوزه‌های کاربردی، تعریف بنیادین نرم‌افزار باز را نقض می‌کند و خواهان آزادی بی‌قیدوشرط کاربران پایین‌دستی هستند.[3][4]

این دو دیدگاه آشتی‌ناپذیر در حال حاضر در مخازن یادگیری ماشین با وزن‌های باز در تقابل مستقیم قرار گرفته‌اند. توسعه‌دهندگان به شکل فزاینده‌ای مدل‌های پایه را ذیل نظام‌های دومسیره منتشر می‌کنند؛ یعنی می‌کوشند مجوز سهل‌گیرانه آپاچی ۲.۰ را با محدودیت‌های رفتاری مجوزهای هوش مصنوعی مسئولانه ترکیب کنند.[2][5]

منشأ این اصطکاک آن است که وزن‌های شبکه عصبی مانند کدهای سنتی نرم‌افزاری عمل نمی‌کنند. هنگامی که یک توسعه‌دهنده مدلی با وزن‌های باز را بارگیری و برای انجام وظیفه‌ای خاص بازتنظیم می‌کند، اثری مشتق خلق می‌شود که هویت حقوقی مدل اولیه را به ارث می‌برد.[4]

مکانیسم وزن‌های مشتق

مجوز آپاچی نگارش ۲.۰ در سال ۲۰۰۴ برای کدهای منبع انسان‌خوان و فایل‌های باینری کامپایل‌شده تدوین شد. این مجوز، حق‌تکثیری دائمی، جهانی و غیرانحصاری برای بازتولید، تهیه آثار مشتق‌شده و نمایش عمومی نرم‌افزار به کاربران اعطا می‌کند.[1]

نکته حیاتی این است که آپاچی ۲.۰ به توسعه‌دهندگان اجازه می‌دهد آثار مشتق‌شده خود را تحت شرایط حقوقی متفاوتی توزیع کنند، به این شرط که برای کد اصلی محدودیتی ایجاد نشود. همین انعطاف‌پذیری بود که اینترنت امروزی را شکل داد و به شرکت‌های تجاری اجازه داد بر روی پایه‌های متن‌باز، محصولات مالکیتی اختصاصی بسازند.[1]

چارچوب رِیل می‌کوشد این رخنه پنداشته‌شده در ساختار آسان‌گیر را وصله کند. مجوز اوپن‌رِیل-ام صراحتاً محدودیت‌های رفتاری معینی را به وزن‌های مدل پیوست می‌کند و به‌کارگیری آن‌ها را در مواردی مانند تشخیص هویت زیست‌سنجی، پیش‌بینی جرائم پلیسی یا تولید تصاویر برهنه و بدون رضایت اشخاص ممنوع می‌سازد.[2]

برای اطمینان از بقای این تدابیر حفاظتی، مجوز رِیل ایجاب می‌کند که هرگونه اثر مشتق‌شده در زنجیره توسعه نیز دقیقاً شامل همان محدودیت‌های رفتاری باشد. اگر توسعه‌دهنده‌ای مدلی با مجوز رِیل را بازتنظیم کند، وزن‌های نهایی همچنان ملزم به رعایت بندهای ایمنی اولیه خواهند بود.[2]

تقابل سامانه‌های دومسیره

معماری حقوقی دقیقاً زمانی از هم می‌پاشد که توسعه‌دهندگان می‌کوشند این دو چارچوب را ترکیب کنند. الگوی رایج این است که کد آموزش و اسکریپت‌های استنتاج تحت آپاچی ۲.۰ عرضه می‌شوند، در حالی که وزن‌های واقعی شبکه عصبی تحت مجوز اوپن‌رِیل-ام محدود می‌مانند.[5]

این جداسازی تا زمانی که جامعه هوش مصنوعی اقدام به همرسانی آداپتورها و نسخه‌های بازتنظیم‌شده نکرده منطقی به نظر می‌رسد. تکنیک انطباق کم‌رتبه به توسعه‌دهندگان امکان می‌دهد به‌روزرسانی‌های کوچک و پودمانی وزن‌ها را آموزش دهند و بدون دستکاری وزن‌های بنیادی مدل، رفتار آن را دگرگون سازند.[4]

اگر پژوهشگری یک آداپتور را با چارچوبی تحت مجوز آپاچی آموزش دهد و آن را با همین مجوز آپاچی ۲.۰ منتشر کند، خود آداپتور حاوی هیچ‌گونه قید و محدودیت رفتاری نیست. مناقشه حقوقی درست در لحظه‌ای آغاز می‌شود که کاربری در ادامه مسیر، این آداپتور مجاز را با یک مدل پایه دارای محدودیت رِیل ادغام می‌کند.[5]

منطقه ابطال حقوقی

فرایند ادغام وزن‌ها در واقع ترکیبی ریاضیاتی از ماتریس‌های مدل پایه و آداپتور است. مدل ترکیبی حاصل، بدون تردید اثری مشتق هم از مدل بنیادی با مجوز رِیل و هم از آداپتور تحت مجوز آپاچی محسوب می‌شود.[5]

مجوز اوپن‌رِیل-ام طلب می‌کند که این مدل مرکب تازه، کلیه محدودیت‌های رفتاری پیشین را به طور کامل به ارث ببرد. با این حال، تعریف نرم‌افزار آزاد که از سال ۲۰۰۶ توسط پیشگامی نرم‌افزار آزاد حفظ شده، صراحتاً منع می‌کند که مجوزی بتواند محدودیت‌هایی بر سایر نرم‌افزارهای توزیع‌شده در کنار خود تحمیل کند.[3]

به طور مشخص‌تر، بخش ششم تعریف نرم‌افزار آزاد تصریح دارد که هیچ مجوزی نباید مانع استفاده کاربران از برنامه در حوزه‌های کاری خاص شود. بدین ترتیب، مجوز رِیل با مطالبه پایبندی رفتاری کاربران نهایی، فرض بنیادین چارچوب آپاچی را که با آن جفت شده نقض می‌کند.[3]

خلأ در ضمانت اجرا

این تناقض، منطقه‌ای از ابطال متقابل حقوقی برای توسعه‌دهندگان ثانویه پدید می‌آورد. اگر آن‌ها محدودیت‌های رفتاری رِیل را بر مدل ادغام‌شده اعمال کنند، شروط غیرتحدیدی آداپتور دارای مجوز آپاچی را زیر پا گذاشته‌اند.[5]

از سوی دیگر، اگر شرایط آپاچی را محترم شمارند و مدل تلفیقی را بدون هیچ قیدی منتشر کنند، شرایط اوپن‌رِیل-ام مدل پایه را نقض کرده‌اند. از آنجا که هر دو مجوز ادعای صلاحیت حقوقی بر اثر مشتق را دارند، وزن‌های مرکب نهایی در برزخی حقوقی و لاینحل باقی می‌مانند.[4][5]

پیامد عملی چنین بن‌بستی، فروپاشی کامل تدابیر حفاظتی در آثار مشتق است. شرکت‌های تجاری در مواجهه با این مسئولیت مدنی مبهم، هنگام گنجاندن این مدل‌ها در خطوط تولید سازمانی خود، معمولاً قیدهای رفتاری را به کلی کنار می‌گذارند و با وزن‌ها عملاً مانند آثاری بدون مجوز رفتار می‌کنند.

ابهام در تعریف حق‌تکثیر

آنچه این اختلاف را پیچیده‌تر می‌کند، وضعیت مبهم و نامشخص وزن‌های شبکه عصبی در حقوق مالکیت فکری فدرال است. مجوزهای سنتی نرم‌افزاری برای اعمال شرایط خود به حق‌تکثیر متکی هستند، زیرا کد منبع را به مثابه اثری ادبی تلقی می‌کنند.[4]

با این حال، وزن‌های یادگیری ماشین را انسان‌ها ننوشته‌اند؛ آن‌ها اعدادی با ممیز شناورند که از راه محاسبات ریاضی در فرایند نزول گرادیان استخراج شده‌اند. چنانچه دادگاه‌ها حکم کنند که وزن‌های مدل‌ها صرفاً حقایقی محاسباتی یا یافته‌های ریاضی و فاقد حق مولف هستند، کل بنیان این نظام‌های صدور مجوز فرو می‌ریزد.

بدون حمایت قانون حق‌تکثیر، یک مجوز صرفاً به قراردادی ساده تبدیل می‌شود که تنها امضاکنندگان مستقیم را متعهد می‌کند. در نتیجه، کاربر ثانویه‌ای که این وزن‌ها را از یک پایگاه جمع‌آوری ثالث بدون کلیک روی توافق‌نامه بارگیری کند، از نظر حقوقی ملزم به رعایت محدودیت‌های رِیل نخواهد بود.[4]

نقش پلتفرم‌های میزبانی

پلتفرم‌های میزبانی و تجمیع مدل‌ها نیز این روند تکه‌تکه شدن را شتاب بخشیده‌اند. با بارگذاری روزانه هزاران مدل تنظیم‌شده، سامانه‌های خودکار در رهگیری دقیق منشأ مجوزهای زیرساختی دچار خطای فاحش می‌شوند.

ممکن است توسعه‌دهنده‌ای مدلی را با نشان آپاچی ۲.۰ بارگیری کند، غافل از آنکه مدل مذکور در اصل بر پایه مدلی با محدودیت رِیل بازتنظیم شده است. اَبَرداده‌های این پلتفرم‌ها عمدتاً فقط بازتاب‌دهنده مجوزی هستند که آخرین آپلودکننده برگزیده است و محدودیت‌های بالادستی به شکلی نامحسوس پاک می‌شوند.[5]

حذف شدن اَبَرداده‌ها زنجیره‌ای از نقض ناخواسته مقررات را پدید می‌آورد. تیم‌های انطباق سازمانی با اعتماد به برچسب‌های مجوز در پلتفرم‌ها، ممکن است مدل‌هایی را در محیط‌های تجاری مستقر کنند که از نظر فنی شرایط ایمنی اعلام‌شده از سوی پدیدآورندگان اصلی را زیر پا می‌گذارند.

تنگناهای قانون قراردادها

برای عبور از ابهام مربوط به حق‌تکثیر وزن‌ها، برخی حامیان رِیل پیشنهاد می‌کنند که تکیه اصلی کاملاً بر قانون قراردادها باشد. طراحان با ملزم ساختن کاربران به پذیرش صریح شرایط خدمات پیش از بارگیری وزن‌ها، می‌توانند فارغ از وضعیت حق‌تکثیر، محدودیت‌های رفتاری را نافذ کنند.[4]

اما حقوق قراردادها فاقد قدرت انتشار فراگیر و زنجیره‌ای حق‌تکثیر است. یک قرارداد تنها طرفین امضاکننده را مقید می‌سازد. چنانچه کاربری شروط را بپذیرد، مدل را دریافت کند و سپس آن را در شبکه‌های نظیربه‌نظیر به اشتراک بگذارد، دریافت‌کنندگان بعدی تعهد قراردادی مستقیمی در قبال خالق اصلی اثر نخواهند داشت.[4]

این نقیصه سبب می‌شود محدودیت‌های رفتاری مبتنی بر قرارداد در یک زیست‌بوم وزن‌های باز عملاً ضمانت اجرایی نداشته باشند. به محض اینکه وزن‌ها از پایگاه اولیه تحت قفل به بیرون نشت کنند، قیود ایمنی ناپدید می‌شوند و مدل در عمل بدون هیچ نظارتی دست‌به‌دست می‌شود.[5]

افق نظارتی و قانون‌گذاری

قانون هوش مصنوعی اتحادیه اروپا لایه پیچیده دیگری به این اصطکاک حقوقی می‌افزاید. این مصوبه معافیت‌های خاصی را برای مدل‌های متن‌باز در نظر گرفته و توسعه‌دهندگان آن‌ها را در صورت دسترسی آزاد به وزن‌ها، از نظارت‌های سخت‌گیرانه معاف می‌کند.[5]

با این حال، تعریف قانون هوش مصنوعی از متن‌باز به شدت بر چارچوب‌های سنتی نظیر تعریف نرم‌افزار آزاد استوار است. اگر مدلی دارای مجوز اوپن‌رِیل-ام با محدودیت‌های رفتاری باشد، نهادهای قانون‌گذار اروپایی ممکن است آن را به جای یک اثر متن‌باز، محصولی تجاری و انحصاری قلمداد کنند.

چنین طبقه‌بندی حقوقی می‌تواند توسعه‌دهندگان را از معافیت‌های متن‌باز محروم سازد و آنان را با تمامی الزامات سنگین حسابرسی و گزارش‌دهی قانون هوش مصنوعی روبه‌رو کند؛ بار نظارتی سنگینی که استفاده از مجوزهای رفتاری را برای بسیاری از آزمایشگاه‌های پژوهشی از نظر مالی ناممکن می‌سازد.[5]

همگرایی در حوزه وزن‌های باز

جامعه یادگیری ماشین فعالانه درباره چگونگی گره‌گشایی از این تشتت بحث می‌کند. برخی از پژوهشگران حقوقی از لزوم تدوین یک تعریف منسجم از وزن‌های باز دفاع می‌کنند که ویژگی‌های منحصربه‌فرد شبکه‌های عصبی و به‌روزرسانی‌های گرادیان را به رسمیت بشناسد.

دیگران معتقدند که محدودیت‌های رفتاری باید در سطح رابط‌های کاربری برنامه‌نویسی و لایه کاربردی اعمال شوند، نه اینکه درون مجوز وزن‌ها گنجانده گردند. این رهیافت خصلت سهل‌گیرانه مدل‌های بنیادین را حفظ کرده و نظارت را به نقطه استقرار عملی فناوری منتقل می‌سازد.[5]

تا زمان پیدایش یک چارچوب حقوقی یکپارچه، توسعه‌دهندگانی که مدل‌های با وزن باز منتشر می‌کنند باید میان آزادی کامل به سبک نرم‌افزار آزاد و ایمنی رفتاری دارای ضمانت اجرا یکی را انتخاب کنند. اصرار بر استفاده هم‌زمان از هر دو نگرش، تنها باعث می‌شود هیچ‌یک در لایه‌های بازتنظیم‌شده پایین‌دست دوام نیاورند.[5]

کشمکش میان تعریف سخت‌گیرانه پیشگامی نرم‌افزار آزاد از مقوله آزادی و اصرار جامعه ایمنی هوش مصنوعی بر ایجاد سپرهای رفتاری، همچنان چالش‌برانگیزترین منازعه حقوقی در حوزه یادگیری ماشین نوین به شمار می‌رود.[3]

رفع این ابهام مستلزم درک این نکته بنیادین است که ماتریس‌های وزن در شبکه‌های عصبی ماهیتی متفاوت با کدهای منبع دارند. بزنگاه قطعی بعدی زمانی فرا خواهد رسید که یک دادگاه تجدیدنظر فدرال سرانجام معین کند آیا یک ماتریس از اعداد ممیز شناور اصولاً می‌تواند تحت پوشش حق‌تکثیر قرار گیرد یا خیر.