Escalada na controvérsia sobre dados de treino de IA: mais uma gigante tecnológica enfrenta processo por livros pirateados

Aconteceu algo interessante recentemente – o círculo tecnológico sofreu um processo judicial devido a conjuntos de dados de IA. Uma escritora, Elizabeth Lyon, processou uma conhecida empresa tecnológica por utilizar um conjunto de dados contendo as suas obras protegidas por direitos de autor ao treinar os seus grandes modelos de linguagem.

O que é que se está a passar exatamente? O problema reside no conjunto de dados SlimPajama-627B. Este conjunto de dados provém do projeto RedPajama, que contém uma coleção altamente controversa de livros “Books3” – para ser franco, uma grande quantidade de dados não autorizados de livros. A empresa usou este conjunto de dados para treinar o modelo de IA SlimLM, e o autor descobriu que o seu trabalho estava incluído nele.

Este não é um caso isolado. Problemas legais semelhantes estão a acumular-se, não só para esta empresa, mas também para vários outros gigantes tecnológicos – acusados de usar conteúdos protegidos sem autorização no desenvolvimento de sistemas de IA. Isto envolve uma questão central: Podem os modelos de IA ser treinados usando dados da Internet e publicações à vontade? Como proteger os direitos e interesses dos detentores de direitos de autor?

Do ponto de vista do Web3 e da comunidade open source, isto reflete uma contradição maior. Por um lado, o desenvolvimento da IA requer dados massivos; Por outro lado, os direitos e interesses dos criadores de conteúdo não podem ser violados à vontade. Como encontrar um equilíbrio entre os dois tornou-se um problema para toda a indústria tecnológica. Vale a pena continuar a prestar atenção a como estes processos se vão desenvolver no futuro.