Anthropicचा समझोता AI कॉपीराइट संघर्षाला नव्याने आकार देतो

एक विक्रमी देयक, जे AI प्रशिक्षणाबाबतचा मोठा प्रश्न तरीही अनुत्तरित ठेवते

सॅन फ्रान्सिस्कोमधील एका संघीय न्यायालयाने 2021 आणि 2022 मध्ये piracy databases LibGen आणि PiLiMi मधून पुस्तकं डाउनलोड केल्याबद्दल Anthropic आणि पुस्तकलेखकांमधील $1.5 अब्जच्या समझोत्याला मंजुरी दिली आहे. फक्त आकड्यांच्या दृष्टीने पाहिले तर हा एक ऐतिहासिक निकाल आहे: दिलेल्या स्रोत सामग्रीत याला class action इतिहासातील सर्वात मोठा copyright settlement म्हटले आहे. पण या प्रकरणाचे महत्त्व फक्त देयकाच्या आकारात नाही. हे सामंजस्य सार्वजनिक चर्चेत अनेकदा एकत्र मिसळल्या जाणाऱ्या दोन मुद्द्यांना वेगळे करते असे दिसते: piracy आणि model training.

दिलेल्या अहवालानुसार, या समझोत्यात सुमारे 482,460 listed works समाविष्ट आहेत, ज्यापैकी 91.3 टक्के claimed आहेत, त्यामुळे प्रत्येक claimed work साठी सुमारे $3,000 इतके पैसे मिळतील. Anthropic ला पायरसीतील फाइल्सही नष्ट कराव्या लागतील. पुस्तकं कशी मिळवली गेली याच्या तथ्यांच्या दृष्टीने हा मोठा तोटा आहे. त्याच वेळी, हे त्या व्यापक कायदेशीर प्रश्नाचे निराकरण करत नाही ज्यावर अनेक प्रकाशक, लेखक आणि AI कंपन्या लढत आहेत: कायदेशीररीत्या मिळवलेल्या पुस्तकांचा AI systems प्रशिक्षणासाठी वापर fair use मध्ये मोडतो का?

हा फरक महत्त्वाचा आहे, कारण तो AI-संबंधित copyright litigation च्या पुढच्या टप्प्याचा आकार दर्शवतो. जर न्यायालये बेकायदेशीररीत्या मिळवलेल्या सामग्रीला शिक्षा देत राहिली, पण कायदेशीररीत्या मिळवलेल्या कामांवरील training वेगळ्या पद्धतीने पाहिली, तर AI developers वरचा compliance burden हा प्रश्नापासून दूर जाऊ शकतो की models ने कॉपीराइटेड सामग्रीतून शिकले का नाही, आणि अधिक महत्त्वाचा ठरू शकतो हा प्रश्न की आधारभूत datasets कसे गोळा, दस्तऐवजीकरण आणि परवानाकृत करण्यात आले. लेखक आणि rights holders साठी हा मिश्र परिणाम असेल: piracy विरोधातील विजय, पण training itself वर व्यापक निर्बंध नाहीतच असे नाही.

हे प्रकरण AI labs साठी कायदेशीर विजय म्हणून अजूनही का मोजले जाऊ शकते

दिलेल्या स्रोताच्या मते, न्यायमूर्ती Alsup यांनी यापूर्वीच ठरवले होते की कायदेशीररीत्या मिळवलेल्या पुस्तकांवर AI training “transformative” आहे आणि fair use मध्ये येते. तो आधीचा निष्कर्ष या समझोत्याची महत्त्वाची पार्श्वभूमी आहे. यावरून असे दिसते की या प्रकरणात Anthropic चा सर्वात महागडा धोका कथित पायरसी प्रतींच्या वापरातून आला, model training या abstract कृतीतून नाही. प्रत्यक्षात, न्यायालयाने बेकायदेशीर sourcing आणि संभाव्य कायदेशीर transformation यांच्यात एक सीमा आखलेली दिसते.

AI कंपन्यांसाठी ही सीमा फार महत्त्वाची आहे. अनेक model developers ना scraping, licensing, consent, memorization, आणि market substitution यांच्याबाबत एकमेकांवर चढणारे दावे सहन करावे लागतात. एखाद्या न्यायालयीन निर्णयाने piracy वेगळा गुन्हा म्हणून ओळखला, पण training defenses कायम ठेवले, तर उद्योगाला सर्वात तातडीची liability कुठे असू शकते याचा अधिक स्पष्ट, जरी अपूर्ण, नकाशा मिळतो. source text असा युक्तिवाद करते की website owners च्या संमतीशिवाय web content वर प्रशिक्षण देणाऱ्या AI labs साठी हा एक महत्त्वाचा टप्पा वाटतो, कारण web-scale collection अजूनही training data चा मुख्य स्रोत आहे. ही अंतिम कायदेशीर मान्यता नाही, पण हे सूचित करते की या वादांचा केंद्रबिंदू प्रशिक्षणाच्या अस्तित्वापासून सरकत acquisition methods आणि reproductions कडे जात आहे.

Anthropic पूर्णपणे निर्दोष नाही. $1.5 अब्जचा समझोता हा किरकोळ कार्यकारी दंड नाही; तो corporate-scale इशारा आहे. कमकुवत dataset governance ऐतिहासिक पातळीवरचे नुकसान करू शकते, हे प्रत्येक मोठ्या AI developer ला तो सांगतो. एखाद्या कंपनीला fair-use युक्तिवाद मजबूत वाटले तरी, model ला पुरवणाऱ्या pipeline मध्ये piracy repositories मधून घेतलेले साहित्य असेल तर त्या बचावांचा फारसा उपयोग होत नाही. त्या अर्थाने, हा समझोता provenance controls, ingestion audits, आणि model development दरम्यान engineers आणि researchers काय वापरू शकतात यावर अंतर्गत निर्बंध यांचे महत्त्व वाढवतो.

लेखकांकडे अजूनही उरलेले अधिकार

या प्रकरणाने भविष्यातील सर्व दावेही संपवले नाहीत. दिलेल्या अहवालानुसार, मूळ कृतींची पुनरुत्पत्ती करणाऱ्या AI outputs वर आणि Anthropic च्या भविष्यातील वर्तनावर लेखकांचे दावे कायम आहेत. त्यामुळे AI copyright wars मधील आणखी एक कायदेशीर आणि तांत्रिकदृष्ट्या अवघड आघाडी खुली राहते. Training हा एक प्रश्न असू शकतो; output behavior दुसरा. जर model एखाद्या संरक्षित कामाच्या खूप जवळ जाणारा मजकूर तयार करत असेल, किंवा भविष्यातील collection practices पुन्हा चुकीच्या स्रोतांवर अवलंबून असतील, तर litigation चा मार्ग खुला राहतो.

ही सूट महत्त्वाची आहे, कारण त्यामुळे plaintiffs ना abstract model behavior ऐवजी concrete harms आव्हान देण्याचा मार्ग मिळतो. मोठ्या corpora वर training कसे मोजायचे यावर न्यायालये विभाजित राहू शकतात, पण original expression ची पुनरुत्पत्ती याशी जोडलेले दावे मांडणे आणि तपासणे तुलनेने सोपे असते. AI developers साठी याचा अर्थ असा की कायदेशीर काम फक्त चांगल्या data sourcing वर थांबत नाही. ते model evaluation, memorization साठी red-teaming, आणि copyrighted material पुन्हा उगाळण्याचा धोका कमी करणाऱ्या product controls पर्यंत पसरते.

याचे व्यापक धोरणात्मक परिणामही आहेत. जर कायदेशीर व्यवस्था dataset provenance, output safeguards, आणि future conduct यांना स्वतंत्र compliance layers म्हणून अधिकाधिक हाताळू लागली, तर AI regulation तात्त्विक पेक्षा अधिक operational होऊ शकते. सार्वजनिक चर्चा नेहमी याभोवती फिरते की training मुळात परवानगीयोग्य आहे का किंवा मुळात शोषणकारी आहे का. त्याउलट, न्यायालये समस्या लहान प्रश्नांमध्ये विभागत राहू शकतात: copy कायदेशीररीत्या मिळाली का? use transformative होता का? output ने संरक्षित expression ची पुनरुत्पत्ती केली का? measurable market harm झाला का?

पुढे काय

source text स्पष्ट करते की एक मोठा प्रश्न अजूनही अनिर्णित आहे: लेखकांच्या संमतीशिवाय इंटरनेट content चे mass scraping करणे हे कायदेशीर acquisition मानले जाईल का? हा मुद्दा पुस्तकांपेक्षा फार पुढे जातो. तो थेट web data शी संबंधित आहे, ज्याने बहुतेक frontier modelsना चालना दिली आहे. जर त्या संदर्भात न्यायालये consent आणि acquisition बद्दल अधिक कठोर भूमिका घेतली, तर Anthropic च्या fair-use भूमिकेमुळे दिसणारा विजय पटकन मर्यादित होऊ शकतो. तसे झाले नाही, तर उद्योग या प्रकरणाला असा पुरावा मानू शकतो की सुरक्षित मार्ग म्हणजे copyrighted material वर training सोडणे नाही, तर ते साहित्य कसे गोळा आणि हाताळले जाते हे स्वच्छ करणे आहे.

सध्या, हा समझोता एक विरोधाभासी माइलस्टोन आहे. तो record-setting copyright payout आणि reputational blow दोन्ही आहे. त्याच वेळी, तो अशा कायदेशीर चौकटीला बळकटी देतो असे दिसते, ज्यात piracy दंडनीय आहे, पण कायदेशीररीत्या मिळवलेल्या कामांवर training अजूनही बचावयोग्य असू शकते. हे संयोजन AI copyright fight संपवणार नाही. उलट, ते कदाचित अधिक तीक्ष्ण करेल. लेखक, प्रकाशक आणि model companies यांना आता एका न्यायालयाने सीमा कुठे आखली आहे याचे अधिक स्पष्ट भान आले आहे, आणि ही स्पष्टता पुढच्या लाटेतील खटले शांत करण्याऐवजी अधिक तीव्र करू शकते.

व्यावहारिक takeaway सोपे आहे. AI कंपन्या आता dataset assembly ला पार्श्वभूमीवरील तांत्रिक तपशील म्हणून पाहू शकत नाहीत. Provenance हा प्रथम-क्रमाचा कायदेशीर धोका बनत आहे. त्याच वेळी, training itself विरुद्ध व्यापक precedent ची अपेक्षा करणाऱ्या rights holders ना येथे ते मिळाले नाही. युक्तिवाद कमी झाला, नाहीसा झाला नाही. आणि त्या कमी झालेल्या युक्तिवादातच AI copyright battle चे भविष्य दडले आहे.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.