La controversia sobre los datos de entrenamiento de IA se intensifica: otra gran empresa tecnológica enfrenta una demanda por libros pirateados

Recientemente ha ocurrido algo interesante: el círculo tecnológico ha sufrido una demanda por los conjuntos de datos de IA. Una escritora, Elizabeth Lyon, demandó a una conocida empresa tecnológica por utilizar un conjunto de datos que contenía sus obras protegidas por derechos de autor al entrenar sus grandes modelos de lenguaje.

¿Qué está pasando exactamente? El problema radica en el conjunto de datos SlimPajama-627B. Este conjunto de datos proviene del proyecto RedPajama, que contiene una colección muy controvertida de libros “Books3”; para decirlo claramente, una gran cantidad de datos de libros no autorizados. La empresa utilizó este conjunto de datos para entrenar el modelo de IA SlimLM, y el autor descubrió que su trabajo estaba incluido en él.

No es un caso aislado. Problemas legales similares se están acumulando, no solo para esta empresa, sino también para varios otros gigantes tecnológicos, acusados de usar contenido protegido sin autorización al desarrollar sistemas de IA. Esto implica una pregunta fundamental: ¿Se pueden entrenar modelos de IA utilizando datos de Internet y publicaciones a voluntad? ¿Cómo proteger los derechos e intereses de los titulares de derechos de autor?

Desde la perspectiva de Web3 y la comunidad de código abierto, esto refleja una contradicción mayor. Por un lado, el desarrollo de la IA requiere una enorme cantidad de datos; Por otro lado, los derechos e intereses de los creadores de contenido no pueden ser vulnerados a voluntad. Cómo encontrar un equilibrio entre ambos se ha convertido en un problema para toda la industria tecnológica. Merece la pena seguir prestando atención a cómo evolucionarán estas demandas en el futuro.