據(jù)媒體報(bào)道，近日美國作家協(xié)會(huì)攜包括《冰與火之歌：權(quán)力的游戲》的作者喬治·馬丁在內(nèi)的17名作家在美國紐約南區(qū)法院對(duì)人工智能公司OpenAI發(fā)起集體訴訟，指控后者未經(jīng)許可使用了受版權(quán)保護(hù)的作品訓(xùn)練人工智能模型。作為律師，筆者對(duì)原告如何證明OpenAI用《冰與火之歌：權(quán)力的游戲》訓(xùn)練ChatGPT很感興趣，就查閱了美國作家協(xié)會(huì)網(wǎng)站上的起訴狀，本文會(huì)結(jié)合著作權(quán)法律跟大家聊聊這個(gè)事情。
眾所周知，人工智能服務(wù)的解答能力要強(qiáng)，高質(zhì)量的訓(xùn)練數(shù)據(jù)必不可少，但世界上多數(shù)國家的著作權(quán)法都要求人工智能開發(fā)者使用他人享有著作權(quán)的內(nèi)容進(jìn)行訓(xùn)練前，應(yīng)當(dāng)取得著作權(quán)人的許可。而人工智能開發(fā)者出于種種考慮（比如避免繁瑣冗長的授權(quán)商務(wù)談判、開發(fā)時(shí)限要求他們只爭朝夕、減少版權(quán)成本等種種考慮、部分著作權(quán)人授權(quán)拿不到哪怕給錢也不愿意給他們授權(quán)），直接在人工智能開發(fā)時(shí)使用了盜版內(nèi)容作為訓(xùn)練數(shù)據(jù)。
但對(duì)于這種做法，因?yàn)榇竽Ｐ偷挠?xùn)練數(shù)據(jù)是不公開的，訓(xùn)練過程也是黑箱操作，著作權(quán)人即使知道存在侵權(quán)也很難舉證，美國現(xiàn)在既然有訴訟，下面我們就看看美國律師是怎么證明的。
一、被告自認(rèn)（其實(shí)是ChatGPT自認(rèn)）
訴狀稱，OpenAI為了訓(xùn)練其大型語言模型，在未征得作者同意的情況下復(fù)制了由原告撰寫的受版權(quán)保護(hù)的書籍，并且OpenAI已公開承認(rèn)了。因?yàn)樵娴穆蓭熛駽hatGPT提問，然后聊天機(jī)器人回應(yīng)稱：
用于訓(xùn)練我的一些書籍可能是受版權(quán)保護(hù)的。不過，我的訓(xùn)練數(shù)據(jù)來自互聯(lián)網(wǎng)上的各種公開來源，我的訓(xùn)練數(shù)據(jù)集中包含的一些書籍很可能沒有被授權(quán)使用....如果我的訓(xùn)練數(shù)據(jù)中包含了任何受版權(quán)保護(hù)的資料，那么這些資料的使用是在版權(quán)持有者不知情或未征得版權(quán)持有者同意的情況下進(jìn)行的。
同時(shí)，原告律師發(fā)現(xiàn)，直到最近，ChatGPT還能準(zhǔn)確無誤地返回受版權(quán)保護(hù)的書籍中的文字原文，這表明底層大型語言模型在訓(xùn)練過程中一定完整地錄入了這些書籍。雖然最近ChatGPT對(duì)此進(jìn)行了修改，會(huì)以“我無法提供版權(quán)文本的逐字摘錄”來回應(yīng)此類提示。從時(shí)間上看，ChatGPT對(duì)輸出規(guī)則的這一明顯修改很可能是因?yàn)樵孀骷覅f(xié)會(huì)給OpenAI和其他公司發(fā)了公開信。
筆者認(rèn)為，雖然ChatGPT自認(rèn)其訓(xùn)練素材可能沒有授權(quán)，但鑒于人工智能經(jīng)常在回復(fù)里沒有依據(jù)地胡說八道（ChatGPT曾說筆者這個(gè)知識(shí)產(chǎn)權(quán)律師是刑事律師，最近處理過一起很有名的強(qiáng)奸案，明顯在胡編，沒有任何依據(jù)），這段回復(fù)要有其他證據(jù)佐證才能被法院認(rèn)定為案件的事實(shí)。
二、訓(xùn)練素材包來自知名盜版網(wǎng)站
訴狀稱：ChatGPT現(xiàn)在提供的不是逐字摘錄，而是受版權(quán)保護(hù)的書籍的摘要，其中通常包含評(píng)論和其他公開資料中沒有的細(xì)節(jié)——這再次表明，基礎(chǔ)大型語言模型在訓(xùn)練期間必須錄入整本書。但OpenAI對(duì)于從何處以及如何獲得原告受版權(quán)保護(hù)的作品，始終語焉不詳。OpenAI承認(rèn)，它用來訓(xùn)練模型的訓(xùn)練數(shù)據(jù)集包括“Common Crawl”和兩個(gè)高質(zhì)量的基于互聯(lián)網(wǎng)的書籍語料庫，它稱之為“Booksl”和 “Books2.T2”。
Common Crawl是一個(gè)龐大且不斷增長的語料庫，包含從數(shù)十億網(wǎng)頁中抓取的“原始網(wǎng)頁數(shù)據(jù)、元數(shù)據(jù)提取和文本提取”。它被廣泛用于訓(xùn)練大型語言模型，除OpenAI的GPT外，還被用于訓(xùn)練臉書和谷歌的人工智能引擎。眾所周知，它包含從盜版網(wǎng)站復(fù)制的書籍文本（這些書籍文本鏈接到 Z-Library，一個(gè)擁有 1,100多萬冊(cè)圖書的大型盜版圖書庫，然后出現(xiàn)在Common Crawl語料庫中，并被納入到其他大型語言模型的訓(xùn)練數(shù)據(jù)集）。
OpenAI拒絕討論Books2數(shù)據(jù)集的來源。但一些獨(dú)立的Al研究人員懷疑 Books2 包含或由從大型盜版圖書庫下載的電子書文件組成，如Library Genesis或 “LibGen”，它提供了一個(gè)龐大的盜版文本庫：LibGen 作為一個(gè)臭名昭著的版權(quán)侵權(quán)者已為法院所熟知。而Books2 的其他可能來源包括 Z-Library和 Bibliotik 等盜版種子跟蹤器，這些跟蹤器允許用戶批量下載電子書。
原告律師無法證明Books2的數(shù)據(jù)來源，所以舉了著名包含大量盜版內(nèi)容的訓(xùn)練素材庫“Books3”作為類比證據(jù)（《連線》雜志報(bào)道過，臉書和彭博社的大型語言模型使用了"Books3"的素材庫）：已披露的 Books2 數(shù)據(jù)集的規(guī)模表明，該數(shù)據(jù)集包含10萬多本書。Books2和Books3的大小相似，而且互聯(lián)網(wǎng)上允許批量下載電子書的盜版存儲(chǔ)庫寥寥無幾，這有力地表明Books2中的書籍也是從上文討論過的臭名昭著的存儲(chǔ)庫中獲取的。
如果這個(gè)訴訟是在中國進(jìn)行的，如果原告初步證明了被告的訓(xùn)練素材存在盜版，此時(shí)，舉證責(zé)任就在被告，被告要證明其訓(xùn)練素材不存在盜版，否則法院就會(huì)支持原告的證明內(nèi)容。
三、喬治·馬丁如何證明OpenAI用其作品訓(xùn)練了ChatGPT？
訴狀稱，喬治·馬丁是包括《權(quán)力的游戲》在內(nèi)的十五部小說作品的著作權(quán)人，OpenAI在未經(jīng)許可的情況下錄入并復(fù)制了喬治·馬丁的全部或多部作品，并將其用于訓(xùn)練OpenAI 的大型語言模型。訴狀中舉了兩個(gè)第三方新聞的例子：
1、2023 年 7 月，一個(gè)叫Liam Swayne的程序員使用 ChatGPT 生成了《凜冬的寒風(fēng)》、《春曉的夢(mèng)想》的版本，這兩本書是馬丁正在創(chuàng)作的《冰與火之歌》系列的最后兩部作品。
2、美國加州大學(xué)伯克利分校的研究人員對(duì)ChatGPT對(duì)作品的“記憶”程度進(jìn)行了一項(xiàng)實(shí)驗(yàn)，發(fā)現(xiàn)馬丁的小說《權(quán)力的游戲》在“記憶”程度方面排名第12位。
然后，原告律師使用ChatGPT進(jìn)行測(cè)試，輸入提示后，ChatGPT準(zhǔn)確生成了幾部馬丁作品的摘要，包括《冰與火之歌》系列的前三部《權(quán)力的游戲》、《列王的紛爭》、《冰雨的風(fēng)暴》以及《末日審判布條》最后一章的準(zhǔn)確摘要。
原告律師輸入提示后，ChatGPT還為馬丁作品《列王的紛爭》的另一部續(xù)集生成了一份詳細(xì)大綱，并將該衍生作品命名為A Dance With Shadows，其中使用了馬丁《冰與火之歌》系列現(xiàn)有書籍中的相同角色。ChatGPT還生成了一份《權(quán)力的游戲前傳》的詳細(xì)大綱，并將該衍生作品命名為 A Dawn of Direwolves，其中使用了與《冰與火之歌》系列叢書中相同的人物。
訴狀總結(jié)：如果OpenAI大型語言模型沒有攝取馬丁侵權(quán)作品并對(duì)其進(jìn)行訓(xùn)練，ChatGPT 就不可能產(chǎn)生上述結(jié)果。筆者認(rèn)為，如果訴訟在中國法院進(jìn)行，馬丁的律師已經(jīng)證明了ChatGPT使用了馬丁的作品進(jìn)行訓(xùn)練，并且其服務(wù)器目前仍然留存著馬丁作品的復(fù)制件。
四、人工智能訓(xùn)練可以不用獲得著作權(quán)人的授權(quán)嗎？
法律原理上，讓人工智能學(xué)習(xí)網(wǎng)上內(nèi)容的過程是一個(gè)復(fù)制行為或者臨時(shí)復(fù)制行為，人工智能公司要先將網(wǎng)上的或者線下獲得的內(nèi)容爬取，然后輸入到人工智能程序中，無論這個(gè)內(nèi)容是文字、圖片、音頻、視頻還是程序，復(fù)制行為都應(yīng)當(dāng)獲得相應(yīng)權(quán)利人許可，否則就涉嫌侵權(quán)。
實(shí)際上我國法律法規(guī)也是這么規(guī)定的，根據(jù)我國《著作權(quán)法》和七部門聯(lián)合發(fā)布的《生成式人工智能服務(wù)管理暫行辦法》，我國的生成式人工智能服務(wù)提供者（以下稱提供者）開展預(yù)訓(xùn)練、優(yōu)化訓(xùn)練等訓(xùn)練數(shù)據(jù)處理活動(dòng)時(shí)，不得侵害他人依法享有的知識(shí)產(chǎn)權(quán)，也就是說，訓(xùn)練素材需要取得著作權(quán)人的許可。在美國，如前文所述，訓(xùn)練人工智能的版權(quán)素材需要著作權(quán)人授權(quán)。
但對(duì)這個(gè)問題，也有國家的規(guī)定不太一樣，比如根據(jù)日本著作權(quán)法第30條第4款，用版權(quán)內(nèi)容訓(xùn)練人工智能屬于合理使用：如果不以欣賞作品中表達(dá)的思想或情感為目的，且沒有不合理的損害著作人權(quán)人權(quán)益的，可以合理使用他人享有著作權(quán)的作品。
筆者覺得，雖然日本的規(guī)定立法目的可能是為了振興該國的人工智能產(chǎn)業(yè)，但其實(shí)也是一個(gè)思路，因?yàn)槿斯ぶ悄苌傻膬?nèi)容不受著作權(quán)法保護(hù)，那其創(chuàng)造的內(nèi)容就是全民共有的，那把所有的版權(quán)作品都讓其學(xué)習(xí)一下，成果出來了大家都不需要授權(quán)就可以用，這個(gè)說不定也挺好。
（文章僅代表作者觀點(diǎn)）