نیویورک تایمز: OpenAI شواهد نقض حق نشر را در دادگاه پنهان کرده است

در تازه‌ترین پیچ حقوقی میان نشریات بزرگ و شرکت‌های هوش مصنوعی، روزنامه‌های نیویورک تایمز و دیلی نیوز مدعی شده‌اند که OpenAI عمداً مدارک و داده‌هایی را که نشان‌دهنده استفاده از محتوای خبری آنها در آموزش مدل‌های ChatGPT بوده، پنهان کرده است. این موضوع بر اساس گزارشی از تِککرانچ منتشر شده و نشان می‌دهد که تنش‌ها بر سر نحوه گردآوری داده‌های آموزشی و رعایت حق نشر (کپیرایت) وارد مرحله تازه‌ای شده است.

پیشینه این پرونده به دو سال پیش بازمی‌گردد، زمانی که نیویورک تایمز و چند ناشر دیگر علیه OpenAI و مایکروسافت شکایت کردند و مدعی شدند که این شرکت‌ها بدون اجازه، مقالات و محتوای آنها را برای آموزش مدل‌های زبانی بزرگ مانند ChatGPT به کار گرفته‌اند و حتی در برخی موارد، این مدل‌ها عیناً بخش‌هایی از گزارش‌های آنها را بازتولید می‌کنند. از آن زمان، بحث اصلی بر سر دسترسی شاکیان به داده‌های داخلی OpenAI متمرکز بوده است؛ داده‌ای که بتواند به‌طور مستند نشان دهد محتوای آنها در مجموعه‌داده‌های آموزشی وجود داشته و یا در خروجی‌های ChatGPT ظاهر می‌شود.

آنچه OpenAI پنهان کرده بود؟

بر اساس اسناد جدید دادگاه، در جریان یک بازجویی قضایی (deposition) در ماه آوریل، مهندس حریم خصوصی داده در OpenAI به نام وینی موناکو فاش کرد که این شرکت برخلاف ادعاهای قبلی، توانایی فنی جستوجو در میان میلیون‌ها مکالمه کاربران با ChatGPT را داشته و حتی پیشتر نیز این کار را انجام داده است. نکته کلیدی‌تر آنکه OpenAI از مدت‌ها قبل پایگاه داده‌ای شامل حدود ۷۸ میلیون گفت‌وگوی حذف‌شده از شناسه‌های شخصی (de-identified) ایجاد کرده بود تا به‌طور داخلی میزان نقض احتمالی آثار دیگران را بسنجد. این پایگاه داده تقریباً همزمان با ثبت شکایت نیویورک تایمز راه‌اندازی شده بود.

همچنین افشا شد که OpenAI در قالب مجموعه‌ای از ابزارها با نام «پروژه زرافه» (Project Giraffe)، یک فیلتر به نام «بلوم» (Bloom filter) اجرا کرده که وظیفه‌اش شناسایی و ثبت موارد بازتولید عینی محتوای آموزشی در خروجی‌های ChatGPT بود. این ابزارها دقیقاً همان چیزی را انجام می‌دادند که شاکیان برای اثبات ادعای خود به دنبالش بودند، اما OpenAI ماه‌ها از وجود آنها حرفی نزده بود.

پنهانکاری یا کارشکنی در روند دادرسی؟

وکلای شاکیان می‌گویند OpenAI در حالی که خود به این داده‌ها و ابزارها دسترسی داشته، درخواست آنها برای ارائه نمون‌ای از ۱۲۰ میلیون لاگ چت را به ۲۰ میلیون کاهش داد و حتی همان نمونه تحویلی را نیز با سانسورهای (redactions) گسترده عملاً غیرقابل استفاده کرد. قاضی پرونده نیز پیشتر «غیرقابل استفاده» بودن نمونه ارائه‌شده را تأیید کرده بود. بدتر از آن، شاکیان ادعا می‌کنند که OpenAI پس از طرح شکایت، میلیاردها خروجی ChatGPT را برخلاف دستور صریح دادگاه برای حفظ مدارک، پاک کرده و در نمونه تحویلی، میلیون‌ها لاگ را جایگزین کرده است.

به گفته ایان بی. کرازبی، وکیل ارشد شاکیان: «اگر OpenAI واقعاً باور داشت که کپی‌برداری از روزنامه‌نگاری ما عادلانه و قانونی است، حقیقت را درباره انجام آن پنهان نمی‌کرد.»

درخواست تحریم و واکنش OpenAI

اکنون نیویورک تایمز و دیلی نیوز از قاضی درخواست کرده‌اند که OpenAI را به دلیل نقض فرایند کشف مدارک (discovery) و پنهان‌سازی شواهد مجازات کند. آنها به‌طور مشخص خواهان موارد زیر هستند:

• جلوگیری از استفاده OpenAI از نمونه ۲۰ میلیونی لاگ چت‌ها به‌عنوان مدرک، به دلیل غیرقابل اعتماد بودن آن.
• پذیرش این حقیقت از سوی دادگاه که لاگ‌های ChatGPT می‌توانستند موارد گسترده‌ای از بازتولید محتوای شاکیان را نشان دهند.
• ممنوعیت استدلال OpenAI مبنی بر اینکه لاگ‌های تحویلی بازتولید چشمگیری را نشان نمی‌دهند.
• پرداخت هزینه‌های حقوقی وارده بر شاکیان برای پیگیری این مدارک پنهان‌شده.

در مقابل، درو پوستری، سخنگوی OpenAI این اتهامات را رد کرده و گفته است که نیویورک تایمز با تضعیف شدن پرونده‌اش، تلاش می‌کند به حریم خصوصی کاربران عادی که هیچ ربطی به این ماجرا ندارند، تجاوز کند. او تأکید کرد: «ما همچنان از حریم خصوصی کاربرانمان و اصول دیرپای استفاده منصفانه (fair use) دفاع خواهیم کرد.»

چرا این پرونده برای کاربران ایرانی مهم است؟

این دعوای حقوقی تنها محدود به شرکت‌های آمریکایی نیست. در ایران نیز با رشد استفاده از ابزارهای هوش مصنوعی و تلاش برای توسعه مدل‌های بومی، پرسش‌های حقوقی درباره نحوه جمع‌آوری داده‌های آموزشی و رعایت حق نشر به شدت مطرح شده است. بسیاری از سرویس‌های داخلی از محتوای وب فارسی برای آموزش مدل‌های خود بهره می‌برند و شفافیت در این زمینه می‌تواند از بروز بحران‌های مشابه جلوگیری کند. همچنین این پرونده می‌تواند رویه‌ای جهانی برای الزام شرکت‌های فناوری به پاسخگویی درباره داده‌های آموزشی ایجاد کند.

در نهایت، هر نتیجه‌ای که در این دادگاه حاصل شود، احتمالاً مرزهای استفاده منصفانه از محتوای دارای حق نشر برای آموزش هوش مصنوعی را برای سال‌ها تعیین خواهد کرد و نگاه قانون‌گذاران و توسعه‌دهندگان را در سراسر جهان تغییر خواهد داد.