AI, open source a duševní vlastnictví

Open source byl vždy založen na jednoduché, ale silné výměně: smíte kód používat, studovat, upravovat i sdílet, ale musíte respektovat licenci. Tato dohoda vytvořila Linux, Kubernetes, PostgreSQL, Python, nespočet bezpečnostních knihoven a infrastrukturu, na níž stojí velká část moderního internetu.

Generativní AI však na tuto dohodu vyvíjí tlak.

Velké modely AI se trénují na obrovském množství textů, obrázků, zvuků, videí a zdrojových kódů. Významná část těchto materiálů byla zveřejněna lidmi, kteří chtěli sdílet, spolupracovat, dokumentovat, učit či publikovat. Veřejná dostupnost ale není totéž co povolení ke každému možnému komerčnímu využití. Úložiště na internetu ještě není zřeknutí se autorských práv. Open source licence není pozvánka k ignorování požadavků na uvedení původu, copyleft, oznámení, sdílení zdrojů či omezení v závislých licencích.

To je jádro dilematu: AI firmy často tvrdí, že trénování je analýza, učení nebo fair use. Mnoho tvůrců a správců open source namítá, že trénování modelu znamená kopírování chráněných děl v průmyslovém měřítku – často bez svolení, odměny, uvedení zdroje nebo praktické možnosti, jak se z procesu odhlásit.

Proč je open source zvlášť ohrožený

Open source kód se snadno sbírá. Je strukturovaný, vyhledatelný, verzovaný a uložený ve veřejných repozitářích. Obsahuje také komentáře, testy, diskuse k problémům, příklady, historii commitů, dokumentaci a konfigurační soubory.

Pro tvůrce AI modelů je to nesmírně hodnotný trénovací materiál. Pro správce přináší několik rizik:

• Licenční povinnosti mohou zmizet mezi trénovacím vstupem a vygenerovaným výstupem.
• Uvedení autorství se při návrhu kódu modelem obvykle nezachovává.
• Copyleftový kód může ovlivnit generované úryvky, aniž by uživatel znal zdrojovou licenci nebo podmínky s ní spojené.
• Správci mohou sledovat, jak je jejich práce využita ke stavbě komerčních nástrojů, které konkurují jejich konzultacím, podpoře nebo hostovaným produktům.
• Bezpečnostně citlivé kódy lze reprodukovat bez kontextu.
• Zranitelné či zastaralé kódy lze snadněji kopírovat ve velkém.

Nejde jen o otázku, zda model dokáže vyprodukovat dokonalou kopii nějaké funkce. To bylo nejvíce patrné u prvních AI nástrojů na psaní kódu, kde někdy šlo promptem generovat rozpoznatelný kód. Jak produkty dozrávaly, poskytovatelé zavedli filtry, detekce podobnosti a výstupní kontroly. Samotné zabránění doslovné replikaci ale hlubší problém neřeší. Trénovací proces mohl být stále závislý na kódu, jehož licenční podmínky se nikdy nepřenesly dál.

Jinými slovy, problém s autorskými právy nezmizí jen proto, že důkaz je v odpovědi modelu těžší odhalit.

To je zvlášť důležité u rekurzních licencí jako GPL a AGPL. Tyto licence nejsou jen povolenky. Udělují široké svobody, ale zároveň vyžadují, aby odvozená díla nebo software šířený za daných podmínek tyto svobody zachovávaly. Pokud byl model trénován na kódu pod GPL a následně produkuje kód silně založený na tomto GPL vstupu, uživatel může nevědomky zavést GPL povinnosti do svého projektu. Je-li tento projekt uzavřený, proprietární nebo distribuován pod nekompatibilní licencí, může to znamenat porušení licence.

Praktický problém je, že uživatel to obvykle nemůže vědět. AI asistent neřekne: „tento návrh vznikl z kódu pod GPL“, „tento vzor pochází z AGPL projektu“ nebo „tento výstup připomíná kód pod Apache licencí a je třeba zachovat oznámení“. Kontext licence byl v trénovacích datech, ale ve výstupu chybí. Tím se přerušuje řetězec souladu, na kterém open source licence stojí.

Nepohodlný rozdíl mezi čtením a trénováním

Vývojáři se z open source učí neustále. Čteme kód, chápeme vzory a píšeme vlastní implementace. To je běžné a zdravé. Open source na takovém učení stojí.

Trénování AI se liší rozsahem, automatizací a tržním dopadem. Lidský vývojář při čtení projektu obvykle nezkopíruje miliony repozitářů a nestlačí jejich statistické vzory do komerčního modelu, aby ten prodával přístup ke generování kódu jako produkt. Model sice neukládá soubory jako databázi, ale obchodní hodnota spočívá ve vytěžení vzorů z práce druhých.

Proto je debata tak obtížná. Pokud by každý akt strojového učení z veřejného kódu vyžadoval individuální povolení, mnoho AI systémů by bylo nemožné natrénovat. Pokud by nebylo potřeba žádné svolení, ekonomická a morální práva tvůrců silně oslabí. Oba extrémy přinášejí problémy.

EU vs USA: dva zcela odlišné právní instinkty

Právní prostředí není jednotné. Země se stále snaží zařadit AI do autorskoprávního systému, který nevznikl pro velké modely.

Evropská unie

EU má explicitnější rámec. Směrnice o autorském právu na jednotném digitálním trhu obsahuje výjimky pro textové a datové těžby (text and data mining). Článek 3 se týká výzkumných organizací a institucí kulturního dědictví. Článek 4 povoluje textovou a datovou těžbu obecněji, včetně komerčních případů, ale umožňuje držitelům práv výslovně si svá práva vyhradit, například strojově čitelně.

EU AI Act přidává další vrstvu pro AI modely obecného určení. Poskytovatelé mají povinnost transparentnosti a povinnosti související s autorským právem, včetně politik pro dodržení evropské legislativy a souhrnů trénovacích dat. To stále neodpovídá zcela na otázku, zda daný trénovací běh byl zákonný, ale posouvá EU k modelu, kde AI poskytovatelé musejí více dokumentovat a držitelé práv mají jasnější nástroje k vznesení námitek.

Slabinou je reálná vymahatelnost. Opt-out mechanismy jsou roztříštěné. robots.txt vznikl pro webové roboty, nikoli pro jemné autorskoprávní výhrady napříč repozitáři, balíčkovacími registry, zrcadly, datasety a forky. Malý open source správce může mít právně nárokováno vyhradit si použití, ale v reálu těžko ověří, zda to špičkové modely respektují.

Spojené státy

V USA neexistuje žádná ekvivalentní AI-specifická autorskoprávní výjimka pro trénování. Debata se točí kolem fair use, soudních sporů, licencování a tržních škod. Americký úřad pro autorská práva se AI a autorskými právy zabývá v řadě zpráv – včetně digitálních replik, autorskoprávní ochrany AI výstupů a trénování generativních AI systémů. Usměrnění k fair use zdůrazňuje, že posouzení se dělá konkrétně případ od případu a závisí na účelu použití, množství použitých děl a dopadu na trh.

To dělá z USA flexibilnější, ale méně předvídatelné prostředí. AI firmy mohou argumentovat, že trénování je transformativní. Držitelé práv namítají, že masové kopírování je komerční, nahrazuje licenční trh a znehodnocuje jejich dílo. Soudy zatím stanovují hranice.

Pro open source to znamená nejistotu. Firma si může myslet, že trénování modelu na veřejných repozitářích je fair use, zatímco správci věří, že firma ignorovala podmínky licence. Dokud nepadnou jasnější soudní nebo zákonné výklady, vede to v praxi k nerovnováze: velké firmy unesou právní riziko, malí správci často nikoli.

Spojené království

UK stojí mezi těmito pozicemi. Vláda konzultovala návrh rámce pro autorské právo a AI, který by spojil výjimku pro textová a datová těžbu, možnost výhrad, licencování a větší transparentnost. Oficiální konzultace uznává, že současné britské právo je sporné a že jak tvůrci, tak vývojáři AI postrádají jistotu.

Jde o pokus najít střední cestu: umožnit trénování AI ve velkém tam, kde práva nejsou vyhrazena, ale dát držitelům práv více kontroly i přehled. Zda to bude fungovat, závisí na technické stránce věci. Opt-out mechanismus, který zvládnou využít jen velcí vydavatelé, nebude spravedlivý pro nezávislé vývojáře, hudebníky, autory ani malé open source projekty.

Japonsko a Singapur

Japonsko je často popisováno jako vstřícnější k informační analýze a strojovému učení, i když detaily stále podléhají výkladům a doporučením. Japonská Agentura pro záležitosti kultury zveřejnila obecné stanovisko k AI a autorským právům – téma zůstává právně složité.

Singapur má také poměrně širokou výjimku pro výpočetní analýzu dat. Politickým cílem je podpořit inovace a vývoj AI, ale známou nevýhodou je, že širší povolení trénování oslabuje vyjednávací sílu držitelů práv, pokud není doprovázeno transparentností, licencováním nebo jinými pojistkami.

Tohle je víc než jen zdrojový kód

Debata o open source je součástí širšího střetu o digitální identitu a tvůrčí práci.

Herci bojují proti AI systémům, které kopírují tváře, pohyb těla a herecké výkony. Dabéři a zpěváci bojují proti klonování hlasů, které umožňuje generovat nové projevy bez souhlasu. Autoři i novináři bojují proti modelům trénovaným na knihách, článcích a archivech. Vizuální umělci bojují proti generátorům obrázků, které napodobují jejich styl nebo zaplavují trh derivátově vypadajícími díly.

Vzorec je v každém případě podobný:

• Tvůrčí díla jsou sbírána ve velkém.
• Model se učí bez přímého vztahu k tvůrci.
• Výsledná schopnost je prodávána jako produkt.
• Tvůrce má malou transparentnost, slabou vyjednávací pozici a omezenou možnost prokázat, co se stalo.

U herců a zpěváků nejde jen o autorská práva. Jde také o osobnostní práva, práva na podobu, pracovní právo, smluvní právo, ochranu spotřebitele a souhlas. Hlas může být výkon, biometrický údaj, značka i osobní identita zároveň. Tvář může být umělecké dílo, ale také samotná osoba.

Vývojáři open source se možná jako „interpreti“ nevnímají, ale ekonomika je srovnatelná. Jejich práce se stává trénovacím materiálem pro systém, který s nimi může soutěžit, snižovat uvádění původu a přesouvat hodnotu od řady drobných tvůrců k několika málo provozovatelům modelů.

Problém argumentu „bylo to veřejné“

Jedním z nejslabších argumentů v AI debatě je, že veřejný přístup znamená neomezené použití. Web nikdy takto nefungoval. Blogový příspěvek je veřejný, ale nelze ho volně vydat jako knihu. Fotografie je veřejná, ale nelze ji volně použít v reklamě. GitHub repozitář je veřejný, ale podléhá autorskému právu a licenčním podmínkám.

Open source licence stojí na tomto rozlišení. Udělují široká práva, ale ta jsou spojena s podmínkami. MIT, Apache, BSD, GPL, AGPL, MPL a další licence vybírají různou míru uvedení autorství, patentových domněnek, zveřejnění zdroje, síťových použití a derivátů. Zacházet se vším veřejným kódem jako s „surovinou“ popírá tyto volby.

To je nebezpečné, protože rozmanitost licencí není náhodná – je to způsob, jak správci vyjadřují záměr.

Jak by mohl vypadat spravedlivější systém?

Jednoduché řešení neexistuje, ale několik principů by ekosystému prospělo.

1. Transparentnost jako výchozí stav

AI poskytovatelé by měli zveřejňovat smysluplné souhrny zdrojů trénovacích dat. Není nutné zveřejnit každý soubor, ale vágní tvrzení typu „trénováno na veřejných datech“ nestačí. Vývojáři, umělci, vydavatelé i uživatelé potřebují vědět, jaké materiály byly použity a na jakém právním základě.

2. Respekt ke strojově čitelným právům

Když zákon vyžaduje opt-out, musí být mechanismus standardizovaný, přístupný a vymahatelný. Malý projekt by neměl potřebovat právní oddělení, aby mohl říct „netrénujte na tomto“. Repozitáře, balíčkovací registry, weby i obsahové platformy potřebují jasné mechanismy, které AI roboti skutečně respektují.

3. AI nástroje „vědomé licencí“

Asistenti pro psaní kódu by měli uživatelům pomáhat chápat licenční rizika. Pokud vygenerovaný kód připomíná známý open source kód, měl by nástroj upozornit na příslušnou licenci. Skrývání problémů s podobností sice může krátkodobě snížit žaloby, ale zvyšuje celkové riziko pro vývojáře i firmy používající tento nástroj.

4. Lepší modely odměňování

Některá trénovací užití by měla být licencována. Může jít o přímé licence, kolektivní licencování, tržiště dat nebo modely sdílení příjmů. Detaily se budou lišit podle zdrojového kódu, hudby, filmu, žurnalistiky i obrazového umění, ale princip je vždy stejný: pokud komerční AI produkt stojí na kvalitní lidské práci, lidé, kteří ji vytvořili, nesmí být neviditelní.

5. Silná ochrana proti zneužití identity

Digitální repliky hlasů, tváří a výkonů by měly vyžadovat souhlas. Pouhé označení nestačí, pokud lze falešným hlasem či tváří uvést někoho v omyl, obtěžovat, podvádět nebo komerčně nahradit. Zde je autorské právo jen částí odpovědi.

Co mohou správci open source dělat už dnes

Právní situace není vyjasněná, ale správci mají praktické možnosti:

• Volit licence záměrně a důvod dokumentovat.
• Přidat do repozitáře jasné oznámení ohledně preferencí AI trénování, pokud to pro projekt má význam.
• Podporovat nadace a organizace, které hájí open source práva v diskuzích o AI politice.

Nic z toho problém zcela neřeší. Jen tím snižujete riziko, dokud právo a průmyslová praxe nedohoní vývoj.

Skutečné nebezpečí pro open source

Hlavní nebezpečí není, že AI „se učí“ z open source. Učení z open source je základem fungování softwarového světa.

Nebezpečím je, když AI promění otevřenou spolupráci v jednostrannou těžbu. Pokud správci přispívají kódem, dokumentací, bugreporty, ukázkami a komunitním know-how, zatímco komerční hodnotu získává někdo jiný bez zmínky o původu, bez dodržení licence či podpory společného dobra, oslabuje se společenská smlouva.

Open source staví na důvěře. AI firmy open source potřebují, ale riskují poškození samotného ekosystému, na kterém jsou závislé. Respektování licencí, smysluplná transparentnost dat, podpora správců, i budování opt-out a licenčních mechanismů nejsou anti-AI postoje. Jsou to postoje za udržitelnost.

AI může být užitečným nástrojem pro vývojáře, umělce, autory, zpěváky, herce i firmy. Užitečnost však neruší vlastnická práva, souhlas ani zásluhy. Pokud má být AI systém trénován na práci milionů lidí, společnost musí rozhodnout, jak si ti lidé zachovají kontrolu nad vlastním dílem.

Toto rozhodnutí nelze nechat jen na firmách, které už data zkopírovaly.