سازوکار دفاعیه استفاده منصفانه در آموزش هوش مصنوعی مولد

در سال ۲۰۱۵، دادگاه استیناف حوزه دوم در پرونده «انجمن نویسندگان علیه گوگل» (Authors Guild v. Google) حکم داد که اسکن کردن میلیون‌ها کتاب برای ایجاد یک فهرست دیجیتالِ قابل جستجو، از نظر قانونی تحت حمایت «استفاده منصفانه» قرار دارد. تنها تفاوت آموزش هوش مصنوعی مولد امروزی با آن پرونده تاریخی در خروجی آن‌هاست: یک موتور جستجو کاربر را به اثر اصلی ارجاع می‌دهد، در حالی که یک مدل مولد، روابط آماری را درونی‌سازی می‌کند تا یک جایگزین تولید کند. از آنجا که شرکت‌های هوش مصنوعی تریلیون‌ها توکن از متن، تصویر و کدهای دارای حق نشر را برای آموزش مدل‌های زبانی بزرگ می‌بلعند، تقریباً به‌طور کامل به سپر حقوقی ساخته‌شده توسط همان تصمیم سال ۲۰۱۵ تکیه می‌کنند.[2]

میدان نبرد حقوقی حاکم بر این بلعیدن داده‌ها، ماده ۱۰۷ از عنوان ۱۷ قانون ایالات متحده (17 U.S.C. § 107) یا همان دکترین استفاده منصفانه در قانون حق نشر آمریکاست. این قانون دادگاه‌ها را ملزم می‌کند تا هنگام تعیین مجاز بودن یک استفاده بدون اجازه، چهار عامل را متوازن کنند: هدف و ماهیت استفاده، ماهیت اثر دارای حق نشر، مقدار و اهمیت بخش استفاده‌شده، و تأثیر این استفاده بر بازار بالقوه اثر اصلی. از آنجا که آموزش هوش مصنوعی در مقیاس وب نیازمند کپی کردن تقریباً کل اینترنت عمومی است، این دفاعیه به‌شدت به عامل اول و چهارم بستگی دارد.[4]

توسعه‌دهندگان هوش مصنوعی استدلال می‌کنند که آموزش یک شبکه عصبی یک مرحله میانی و فرآیندی به‌شدت دگرگون‌کننده (Transformative) است. آن‌ها ادعا می‌کنند که یک مدل زبانی بزرگ، پایگاه داده‌ای از آثار بلعیده‌شده را ذخیره نمی‌کند. در عوض، یک توزیع احتمال مشترک از زبان را نگاشت کرده و حقایق، مفاهیم و الگوهای نحوی غیرقابل کپی‌رایت را استخراج می‌کند. بر اساس این نظریه، کپی‌برداری موقتی که برای آموزش مدل لازم است، از نظر قانونی هیچ تفاوتی با انسانی ندارد که برای یادگیری نحوه نوشتن، کتاب می‌خواند.[6]

اداره حق نشر ایالات متحده نقشه‌برداری از این زمین پیچیده را آغاز کرده است. این اداره در گزارش ژانویه ۲۰۲۵ خود درباره هوش مصنوعی و قابلیت ثبت حق نشر، خاطرنشان کرد که بیش از ۱۰,۰۰۰ نظر عمومی درباره تقاطع هوش مصنوعی و مالکیت معنوی دریافت کرده است. در حالی که آن گزارش خاص روی خروجی‌ها تمرکز داشت (و نتیجه گرفت که «مواد کاملاً تولیدشده توسط هوش مصنوعی» که با وارد کردن پرامپت ایجاد می‌شوند، فاقد عاملیت انسانی لازم هستند)، گزارش آتی بخش ۳ این اداره مستقیماً به قانونی بودن خود فرآیند آموزش خواهد پرداخت.[1]

با این حال، این استدلال حقوقی که مدل‌های هوش مصنوعی تنها مفاهیم انتزاعی را یاد می‌گیرند، با واقعیت فنی نحوه رفتار شبکه‌های عصبی در مقیاس بزرگ در تضاد است. یک مطالعه بنیادین در سال ۲۰۲۱ توسط نیکولاس کارلینی (Nicholas Carlini) و تیمی از محققان نشان داد که مدل‌های زبانی بزرگ در واقع نمونه‌های آموزشی خاصی را حفظ می‌کنند. این پدیده که «حفظ کردن کِی-آیدتیک» (k-eidetic memorization) نامیده می‌شود، زمانی رخ می‌دهد که یک مدل توالی خاصی از متن را چنان عمیق درونی‌سازی می‌کند که می‌تواند با دریافت یک پرامپت، آن را کلمه‌به‌کلمه بازتولید کند.[3]

برای اثبات این موضوع، محققان یک حمله استخراج داده‌های آموزشی علیه GPT-2 (مدلی که روی داده‌های استخراج‌شده از اینترنت عمومی آموزش دیده بود) توسعه دادند. سازوکار این حمله دو مرحله داشت: اول، تیم با نمونه‌برداری بدون قید و شرط از مدل، ۲۰۰,۰۰۰ نمونه متنی تولید کرد. دوم، آن‌ها از یک «حمله استنتاج عضویت» استفاده کردند تا پیش‌بینی کنند کدام‌یک از آن خروجی‌ها حاوی متن حفظ‌شده است و سپس تولیدات را بر اساس معیارهای خاصی مرتب کردند تا موارد غیرعادی را جدا کنند.[3]

نتایج، شواهد تجربی روشنی از حفظ شدن داده‌ها ارائه داد. همان‌طور که نویسنده ارشد، نیکولاس کارلینی و همکارانش در روش‌شناسی خود نوشتند: «ما حمله خود را روی GPT-2، یک مدل زبانی آموزش‌دیده روی داده‌های اینترنت عمومی، نشان می‌دهیم و قادر به استخراج صدها توالی متنی کلمه‌به‌کلمه از داده‌های آموزشی مدل هستیم.» از آن ۲۰۰,۰۰۰ نمونه تولیدشده، محققان موفق شدند ۶۰۴ نمونه آموزشی کلمه‌به‌کلمه و منحصربه‌فرد را استخراج کنند.[3]

این توالی‌های استخراج‌شده شامل بخش‌هایی از متون دارای حق نشر، مکالمات IRC، کدهای نرم‌افزاری و اطلاعات هویتی شخصی مانند نام‌ها، شماره تلفن‌ها و آدرس‌های ایمیل بود. این حمله در بهترین پیکربندی خود به نرخ موفقیت ۶۷ درصدی دست یافت و ثابت کرد که استخراج داده‌ها تنها یک خطر تئوریک نیست، بلکه یک واقعیت عملی است. نکته حیاتی این بود که مقاله کارلینی دریافت مدل‌های بزرگ‌تر نسبت به مدل‌های کوچک‌تر در برابر این حفظ کردن داده‌ها آسیب‌پذیرترند.[3]

با افزایش تعداد پارامترها به صدها میلیارد، ظرفیت شبکه برای حفظ کردن رشته‌های دقیق متنی به همان نسبت بالا می‌رود. این پویایی مقیاس‌پذیری، یک مشکل ساختاری برای دفاعیه استفاده منصفانه ایجاد می‌کند: هرچه یک مدل هوش مصنوعی توانمندتر و از نظر تجاری ارزشمندتر می‌شود، بیشتر شبیه به یک پایگاه داده فشرده و بازتولیدکننده عمل می‌کند تا یک موتور استدلال انتزاعی.[6]

این واقعیت تجربی، دفاعیه کپی‌برداری میانی را در هم می‌شکند. اگر بتوان با یک پرامپت، مدلی را وادار به بازگویی کلمه‌به‌کلمه‌ی بخشی از یک کتاب دارای حق نشر کرد، فرآیند آموزش از مرز تحلیل دگرگون‌کننده داده‌ها عبور کرده و وارد بازتولید غیرمجاز محتوای بیانی می‌شود. این امر تحلیل حقوقی را به سمت عامل چهارم استفاده منصفانه می‌کشاند: تأثیر استفاده بر بازار بالقوه اثر اصلی.[2][6]

در پرونده سال ۲۰۱۵ انجمن نویسندگان علیه گوگل، دادگاه هیچ آسیب بازاری پیدا نکرد زیرا موتور جستجو تنها «قطعات کوتاهی» از متن را نمایش می‌داد و به‌عنوان یک جایگزین رقیب برای خود کتاب‌ها عمل نمی‌کرد. آن پایگاه داده ابزاری برای کشف بود، نه جایگزینی برای مصرف. در مقابل، هوش مصنوعی مولد صراحتاً برای تولید محتوا طراحی شده است.[2]

اگر یک مدل هوش مصنوعی که روی مجموعه آثار یک نویسنده خاص آموزش دیده است، بتواند فصل جدیدی دقیقاً به سبک او تولید کند یا نثر او را در صورت درخواست بازگو کند، مستقیماً با بازار خالق اصلی رقابت می‌کند. خروجی این مدل همان هدف بیانیِ ورودی را دنبال می‌کند و این خطر را به همراه دارد که بازار را از جایگزین‌های مصنوعی اشباع کرده و ارزش تجاری آثار اصلی را کاهش دهد.[6]

تصمیم سال ۲۰۲۳ دیوان عالی در پرونده «بنیاد اندی وارهول علیه گلداسمیت» (Andy Warhol Foundation v. Goldsmith) دفاعیه توسعه‌دهندگان هوش مصنوعی را پیچیده‌تر می‌کند. در آن پرونده، دیوان عالی حکم داد که اگر یک استفاده، هدف تجاریِ اساساً مشابهی با اثر اصلی داشته باشد، دگرگون‌کننده محسوب نمی‌شود. نظر اکثریت تأکید کرد که بررسی استفاده منصفانه باید فراتر از تفاوت‌های صرفاً بصری یا متنی برود و با نحوه استفاده واقعی از کپی در بازار تجاری دست‌وپنجه نرم کند.[5]

با اعمال رویه قضایی وارهول بر هوش مصنوعی مولد، به نظر می‌رسد حتی اگر یک مدل هوش مصنوعی یک تصویر دارای حق نشر را به یک وزن ریاضی تبدیل کند، استفاده تجاری نهایی از آن مدل (یعنی تولید تصاویر رقیب برای کسب سود) ممکن است به‌شدت علیه صدور حکم استفاده منصفانه عمل کند. دگرگونی فناورانه داده‌ها به‌طور خودکار اثر جایگزینی تجاری را خنثی نمی‌کند.[5][6]

آنچه هنوز ناشناخته مانده این است که دادگاه‌های فدرال در نهایت چگونه ماهیت آماری آموزش هوش مصنوعی را با مسئولیت مطلق در نقض حق نشر آشتی خواهند داد. این فناوری در یک منطقه خاکستری احتمالی عمل می‌کند که قانون حق نشر قرن بیستم هرگز آن را پیش‌بینی نکرده بود. قضات باید تصمیم بگیرند که آیا وجود ۶۰۴ استخراج کلمه‌به‌کلمه در مدلی که روی میلیاردها صفحه آموزش دیده است، یک نقض سیستماتیک محسوب می‌شود یا یک حاشیه خطای مجاز از نظر قانونی.[6]

حل‌وفصل این تنش، ساختار اقتصادی صنعت هوش مصنوعی را تعیین خواهد کرد. اگر دادگاه‌ها به این نتیجه برسند که استخراج داده‌های کلمه‌به‌کلمه دفاعیه استفاده منصفانه را باطل می‌کند، پارادایم فعلی آموزش بدون اجازه در مقیاس وب فرو خواهد پاشید. توسعه‌دهندگان مجبور خواهند شد به سمت مجموعه‌داده‌های دارای مجوز حرکت کنند که این امر سرعت و هزینه توسعه هوش مصنوعی را به‌طور بنیادین تغییر خواهد داد.[6]