AI, avoin lähdekoodi ja immateriaalioikeudet

Avoin lähdekoodi on aina perustunut yksinkertaiseen mutta vahvaan vaihtokauppaan: saat käyttää, tutkia, muokata ja jakaa koodia, mutta sinun täytyy kunnioittaa lisenssiä. Tämä sopimus synnytti Linuxin, Kubernetesin, PostgreSQL:n, Pythonin, lukemattomia tietoturvakirjastoja ja suuren osan modernin internetin infrastruktuurista.

Generatiivinen tekoäly asettaa paineita tälle sopimukselle.

Suuret tekoälymallit koulutetaan valtavilla määrillä tekstiä, kuvia, ääniä, videota ja lähdekoodia. Merkittävä osa tästä materiaalista on julkaistu julkisesti ihmisten halutessa jakaa, tehdä yhteistyötä, dokumentoida, opettaa tai julkaista. Julkinen saatavuus ei kuitenkaan ole sama asia kuin lupa kaikkeen mahdolliseen kaupalliseen käyttöön. Repositorio internetissä ei automaattisesti tarkoita tekijänoikeuden luopumista. Avoimen lähdekoodin lisenssi ei ole kutsu sivuuttaa attribuutiota, copyleftiä, huomautuksia, lähdekoodin jakovelvoitteita tai riippuvuuksien lisenssirajoituksia.

Tämä on ydinkysymys: tekoäly-yhtiöt usein perustelevat, että koulutus on analyysiä, oppimista tai sallittua käyttöä ("fair use"). Monet luojat ja avoimen lähdekoodin ylläpitäjät puolestaan katsovat, että mallin koulutuksessa kopioidaan suojattuja töitä teollisessa mittakaavassa usein ilman lupaa, korvausta, mainintaa tai käytännön tapaa kieltäytyä.

Miksi avoin lähdekoodi on erityisen altis

Avoin lähdekoodi on helppoa kerätä. Se on rakenteellista, haettavaa, versiollista ja julkisissa repositorioissa isännöityä. Lisäksi se sisältää kommentteja, testejä, keskusteluja ongelmista, esimerkkejä, commit-historiaa, dokumentaatiota ja asetustiedostoja.

Tekoälymallien kouluttajille tämä on erittäin arvokasta aineistoa. Ylläpitäjille se tuo useita riskejä.

• Lisenssivelvoitteet voivat kadota koulutusaineiston ja generoidun sisällön välillä.
• Attribuutio ei yleensä säily, kun malli ehdottaa koodia.
• Copyleft-koodi voi vaikuttaa generoituihin pätkiin ilman, että käyttäjä tietää lähdelisenssiä tai siihen liittyviä velvoitteita.
• Ylläpitäjät saattavat nähdä työnsä päätyvän kaupallisten työkalujen rakennusaineiksi, jotka kilpailevat heidän omien konsultointi-, tuki- tai pilvipalveluidensa kanssa.
• Tietoturvaan liittyvät koodimallit voivat toistua ilman kontekstia.
• Haavoittuvaa tai vanhentunutta koodia voi levitä helpommin kopioitavaksi laajassa mittakaavassa.

Kyse ei ole vain siitä, voiko malli tuottaa tismalleen saman funktion kuin alkuperäinen. Tämä oli näkyvämpää varhaisimmissa tekoälypohjaisissa koodityökaluissa, joissa kehotteet saattoivat toisinaan tuottaa tunnistettavaa koodia. Tuotteiden kehityttyä palveluntarjoajat ovat olleet varovaisempia suodattimien, samankaltaisuustarkistusten ja tuotosten valvonnan kanssa. Pelkän sanasta sanaan kopioinnin välttäminen ei kuitenkaan ratkaise perusongelmaa. Koulutusprosessi saattoi silti perustua koodiin, jonka lisenssiehdot eivät koskaan siirtyneet eteenpäin.

Toisin sanoen: tekijänoikeusongelma ei katoa vain siksi, että todisteet ovat vaikeammin havaittavissa tuotoksessa.

Tämä korostuu erityisesti vastavuoroisissa lisensseissä, kuten GPL ja AGPL. Nämä lisenssit eivät ole pelkkiä lupia. Ne myöntävät laajat vapaudet, mutta vaativat myös, että johdannaisteokset tai asianmukaisin ehdoin jaettu ohjelmisto säilyttää nämä vapaudet. Jos malli on koulutettu GPL-koodilla ja tuottaa koodia, joka perustuu olennaisesti siihen GPL-aineistoon, käyttäjä saattaa tiedostamattaan tuoda GPL-velvoitteita omaan projektiinsa. Jos projekti on suljettu, kaupallinen tai lisensoitu epäyhteensopivilla ehdoilla, siitä voi seurata lisenssirikkomus.

Käytännön ongelma on, että käyttäjä ei voi yleensä tietää tätä. Tekoälyavustaja ei ilmoita: "Tämä ehdotus perustuu GPL-lisensoituun koodiin", "tämä malli on AGPL-projektista" tai "tämä tuotettu koodi muistuttaa Apache-lisensoitua koodia ja vaatii ilmoitusten säilyttämistä". Lisenssikonteksti oli läsnä koulutusaineistossa, mutta puuttuu lopputuloksesta. Tämä katkaisee noudatettavuusketjun, johon avoimen lähdekoodin lisensointi perustuu.

Epämiellyttävä ero lukemisen ja koulutuksen välillä

Kehittäjät oppivat avoimesta lähdekoodista jatkuvasti. Luemme koodia, ymmärrämme malleja ja kirjoitamme oman toteutuksemme. Se on normaalia ja tervettä. Avoin lähdekoodi perustuu tällaiseen oppimiseen.

Tekoälyn koulutus eroaa mittakaavaltaan, automaatioltaan ja markkinavaikutuksiltaan. Ihminen, joka lukee projektia, ei yleensä kopioi miljoonia repoja koulutusputkeen, tiivistä niiden tilastollisia malleja kaupalliseen käyttöön ja myy pääsyä koodin luontiin tuotteena. Malli ei ehkä tallenna tiedostoja tietokantaan, mutta arvo syntyy silti muiden tekemien töiden mallintamisesta.

Siksi keskustelu on niin vaikeaa. Jos jokainen koneoppimisen teko julkisesta koodista vaatii erillisen luvan, monien tekoälyjärjestelmien kouluttaminen muuttuu käytännössä mahdottomaksi. Jos lupaa ei tarvita koskaan, luojien taloudelliset ja moraaliset oikeudet heikkenevät. Molemmat ääripäät aiheuttavat ongelmia.

EU vs USA: kaksi hyvin erilaista juridista lähestymistapaa

Lainsäädäntöympäristö ei ole yhtenäinen. Maat yrittävät edelleen sovittaa tekoälyn tekijänoikeusjärjestelmiin, joita ei laadittu suurten mallien koulutusta varten.

Euroopan unioni

EU:ssa on selkeämpi kehys. Direktiivissä digitaalisista tekijänoikeuksista yhtenäismarkkinoilla on tekstin ja datan louhinnan poikkeuksia. Artikla 3 koskee tutkimuslaitoksia ja kulttuuriperintöinstituutioita. Artikla 4 sallii tekstin ja datan louhinnan laajemmin, myös kaupallisesti, mutta oikeudenomistajat voivat pidättää oikeutensa, esimerkiksi koneellisesti luettavilla tavoilla.

EU:n AI Act lisää uuden kerroksen yleiskäyttöiseen tekoälyyn. Palveluntarjoajilla on velvoitteita läpinäkyvyyteen ja tekijänoikeuksiin liittyen, mukaan lukien politiikat EU:n tekijänoikeuslain noudattamiseen ja koulutussisällön yhteenvetojen julkaisemiseen. Tämä ei täysin ratkaise yksittäisen koulutuskerran laillisuutta, mutta siirtää EU:ta kohti mallia, jossa tekoälytoimijoiden on dokumentoitava enemmän ja oikeudenhaltijoilla on selkeämmät keinot protestoida.

Heikkous on käytännön valvonta. Kieltäytymismekanismit ovat pirstaleisia. robots.txt luotiin verkkorobotteja varten, ei hienovaraisiin tekijänoikeuden pidätyksiin lähdekoodivarastoissa, pakettirekistereissä, peilipalvelimilla, aineistoissa ja haaroissa. Vähäinen avoimen lähdekoodin ylläpitäjä voi omistaa laillisen oikeuden pidättää käytön, mutta ei realistista mahdollisuutta tarkistaa, kunnioittaako reunamalli sitä.

Yhdysvallat

Yhdysvalloissa ei ole vastaavaa, tekoälylle suunnattua tekijänoikeuspoikkeusta koulutukseen. Keskustelu pyörii pitkälti sallittuun käyttöön ("fair use"), oikeusjuttuihin, lisenssisopimuksiin ja markkinavaikutuksiin liittyen. Yhdysvaltain tekijänoikeustoimisto on selvittänyt tekoälyä ja tekijänoikeuksia useissa raporteissa, mukaan lukien digitaaliset kopiot, tekoälyn tuottamien töiden tekijänoikeuskelpoisuus ja generatiivisen tekoälyn koulutus. Sallitun käytön ohje korostaa, että sallittu käyttö on tapauskohtaista ja riippuu esimerkiksi tarkoituksesta, käytetyn määrän laajuudesta ja markkinavaikutuksesta.

Tämä tekee Yhdysvalloista joustavamman mutta ennakoimattomamman. Tekoälyyritykset voivat väittää koulutuksen olevan muuntavaa. Oikeudenomistajat voivat väittää massakopioinnin olevan kaupallista, lisenssimarkkinoita korvaavaa ja työn arvoa heikentävää. Tuomioistuimet vasta muovaavat rajoja.

Avoimen lähdekoodin näkökulmasta Yhdysvaltojen linja aiheuttaa epävarmuutta. Yritys voi pitää mallin koulutusta julkisilla repoilla sallittuna käytönä, kun taas ylläpitäjät voivat uskoa, että yhtiö on sivuuttanut lisenssiehtoja. Ennen kuin tuomioistuimet tai lainsäädäntö tuovat selkeyttä, seuraus on epätasapaino: isot yritykset voivat ottaa oikeudellisen riskin, yksittäiset ylläpitäjät harvemmin.

Yhdistynyt kuningaskunta

Iso-Britannia on näiden linjausten välissä. Hallitus on kuullut tekijänoikeus- ja tekoälykehyksestä, jossa yhdistyisivät tekstin ja datan louhinnan poikkeus, oikeuden pidättäminen, lisensointi ja vahvempi läpinäkyvyys. Virallinen kuuleminen tunnustaa, että nykytilanne on riitautettu ja sekä luovilla että tekoälytahon edustajilla on epävarmuutta.

Tässä pyritään löytämään välimalli: sallitaan tekoälymallien koulutus laajasti, mikäli oikeuksia ei ole pidätetty, mutta oikeudenomistajille taataan enemmän kontrollia ja näkyvyyttä. Toimivuus riippuu teknisistä yksityiskohdista. Kieltäytymisväline, jota vain suuryhtiöt voivat käyttää, ei ole reilu järjestelmä itsenäisille kehittäjille, muusikoille, kirjoittajille, ja pienille avoimen lähdekoodin projekteille.

Japani ja Singapore

Japani nähdään usein sallivampana tiedon analyysille ja koneoppimiselle, vaikka yksityiskohdat ovat yhä tulkinnanvaraisia. Japanin kulttuuriasioiden virasto on julkaissut yleisnäkemyksen tekoälystä ja tekijänoikeuksista, korostaen aiheen oikeudellista vivahteikkuutta.

Singaporessa on myös varsin laaja poikkeus laskennalliseen aineistoanalyysiin. Tavoitteena on tukea innovaatiota ja tekoälykehitystä, mutta vaihtokauppa on tuttu: laajemmat koulutusluvat voivat heikentää oikeudenomistajien neuvotteluasemaa ilman läpinäkyvyyttä, lisenssimarkkinoita tai muita suojatoimia.

Kyse on laajemmasta kuin lähdekoodista

Avoin lähdekoodi on osa laajempaa kamppailua digitaalisen identiteetin ja luovan työn omistuksesta.

Näyttelijät taistelevat tekoälyjärjestelmiä vastaan, jotka kopioivat kasvoja, liikkeitä ja suorituksia. Ääninäyttelijät ja laulajat taistelevat kloonattuja ääniä vastaan, jotka voivat tuottaa uusia esityksiä ilman suostumusta. Kirjailijat ja toimittajat taistelevat malleja vastaan, jotka on koulutettu kirjoihin, artikkeleihin ja arkistoihin. Kuvataiteilijat taistelevat kuvanluontimalleja vastaan, jotka voivat imitoida heidän tyyliään tai tulvia markkinoille johdannaisilta näyttäviä töitä.

Kaava on sama jokaisessa tapauksessa:

• Luovaa työtä kerätään laajassa mittakaavassa.
• Malli oppii siitä ilman suoraa suhdetta tekijään.
• Tuotteella tehdään rahaa mallin kyvykkyyden avulla.
• Tekijällä on vähän läpinäkyvyyttä, neuvotteluvoimaa tai kykyä todistaa, mitä tapahtui.

Näyttelijöille ja laulajille kyse ei ole vain tekijänoikeudesta. Mukana ovat myös persoonallisuusoikeudet, julkisuusoikeudet, työlainsäädäntö, sopimuslaki, kuluttajansuoja ja suostumus. Ääni voi olla sekä esitys, biometrinen tunniste, brändi että henkilökohtainen identiteetti. Kasvot voivat olla taiteellinen elementti mutta myös itse henkilö.

Avoimen lähdekoodin kehittäjät eivät ehkä ajattele itseään esiintyjinä, mutta taloudellinen analogia on olemassa. Heidän työnsä muuttuu koulutusmateriaaliksi järjestelmälle, joka voi kilpailla heidän kanssaan, vähentää attribuutiota ja siirtää arvon monilta pieniltä tekijöiltä muutamille suurille mallin tarjoajille.

Ongelma "se oli julkista" -väitteessä

Yksi tekoälykeskustelun heikoimmista argumenteista on, että julkinen saatavuus tarkoittaa rajatonta käyttöoikeutta. Näin verkko ei ole koskaan toiminut. Blogimerkintä on julkinen, mutta ei vapaasti julkaistavissa kirjana. Valokuva on julkinen, mutta ei vapaasti käytettävissä mainoksessa. GitHub-repositorio on julkinen, mutta silti tekijänoikeuden ja lisenssiehtojen alainen.

Avoimen lähdekoodin lisenssit on rakennettu tämän eron varaan. Ne myöntävät laajat oikeudet, mutta ehdollisina. MIT, Apache, BSD, GPL, AGPL, MPL ja muut lisenssit takaavat erilaisia oikeuksia attribuutioon, patentteihin, lähdekoodin jakeluun, verkon käyttöön ja johdannaisteoksiin liittyen. Kaiken julkisen koodin käsittely raakamateriaalina mitätöi nämä erot.

Se on vaarallista, koska lisenssikirjo on ylläpitäjien tahdon ilmaisua.

Miltä oikeudenmukaisempi järjestelmä näyttäisi?

Yksiselitteistä ratkaisua ei ole, mutta useat periaatteet tervehtisivät ekosysteemiä.

1. Läpinäkyvyys oletuksena

Tekoälytoimijoiden tulisi julkaista merkitykselliset tiivistelmät käytetyistä koulutusaineistoista. Kaikkia yksittäisiä tiedostoja ei välttämättä tarvitse listata julkisesti, mutta yleistä tasoa olevat kuvaukset kuten "koulutettu julkisella datalla" eivät riitä. Kehittäjien, taiteilijoiden, julkaisijoiden ja käyttäjien on saatava tietää, millaista materiaalia on käytetty ja millä oikeudellisella perusteella.

2. Koneellisesti luettavien oikeuksien kunnioitus

Jos laki perustuu kieltäytymiseen, mekanismien täytyy olla standardoituja, saavutettavia ja täytäntöönpantavia. Pienprojektin ei tulisi tarvita lakiosastoa ilmoittaakseen "älkää kouluttako tällä aineistolla". Repositorioille, pakettirekistereille, sivustoille ja sisältöalustoille tarvitaan selkeät systeemit, joita tekoälyrobotit oikeasti noudattavat.

3. Lisenssitietoinen tekoälytyökalu

Koodiassistenttien tulisi auttaa käyttäjää ymmärtämään lisenssiriskiä. Jos tuotettu koodi muistuttaa tunnettua avointa koodia, työkalun tulisi varoittaa käyttäjää ja tuoda esiin oikea lisenssi. Samankaltaisuuksien piilottaminen voi hetkellisesti vähentää oikeusjuttuja, mutta kasvattaa jatkossa kehittäjien ja yritysten riskiä lipsua lisenssien noudattamisesta.

4. Paremmat korvausmallit

Osa koulutuksesta pitäisi olla lisensoitu. Tämä voi tarkoittaa suoralisensointia, kollektiiviallisensointia, data-ainestorekistereitä tai tuotonjakomalleja. Yksityiskohdat eroavat lähdekoodin, musiikin, elokuvan, journalismin ja kuvataiteen välillä, mutta periaate on sama: jos kaupallinen tekoälytuote perustuu korkealaatuiseen ihmisluomaan aineistoon, sen tekijöiden ei tulisi jäädä näkymättömiksi.

5. Vahva suoja väärentämistä vastaan

Digitaalisten äänien, kasvojen ja esiintymisten reproduktio tulisi edellyttää suostumusta. Merkintätiedot eivät yksin riitä, jos väärennettyä ääntä tai kasvoja voidaan käyttää harhauttamiseen, häirintään, petoksiin tai kaupalliseen syrjäyttämiseen. Tekijänoikeus on tässä vain osa ratkaisua.

Mitä avoimen lähdekoodin ylläpitäjä voi tehdä nyt

Oikeudellinen tilanne on epävarma, mutta ylläpitäjällä on silti käytännöllisiä vaihtoehtoja.

• Valitse lisenssi harkiten ja dokumentoi syy.
• Lisää projektiin selkeä ilmoitus tekoälykoulutuspreferensseistä, jos asia on tärkeä.
• Tue säätiöitä ja organisaatioita, jotka puolustavat avoimen lähdekoodin oikeuksia tekoälypolitiikassa.

Mikään näistä ei täysin ratkaise ongelmaa. Ne vain vähentävät riskiä, kun laki ja teollisuus käytännöt ehtivät mukaan.

Todellinen uhka avoimelle lähdekoodille

Suurin vaara ei ole, että tekoäly oppii avoimesta lähdekoodista. Oppiminen avoimesta koodista on osa ohjelmistomaailman menestystä.

Vaara on, että tekoäly muuttaa avoimen yhteistyön yksipuoliseksi hyödyntämiseksi. Jos ylläpitäjät tuovat lisää koodia, dokumentaatiota, bugiraportteja, esimerkkejä ja yhteisön tietoa, mutta kaupallinen arvo siirtyy muualle ilman attribuutiota, lisenssiehtojen noudattamista tai yhteishyödyn tukemista, sosiaalinen sopimus heikkenee.

Avoin lähdekoodi perustuu luottamukseen. Tekoälyyhtiöt tarvitsevat avointa lähdekoodia, mutta samalla ne voivat vahingoittaa ekosysteemiä, jolle ovat itsekin riippuvaisia. Lisenssien kunnioittaminen, kunnollinen datan läpinäkyvyys, ylläpitäjien tukeminen ja kieltäytymis- ja lisensointimekanismien rakentaminen eivät ole anti-tekoälyä. Ne ovat ekosysteemin kestävyyttä edistäviä ratkaisuja.

Tekoäly voi olla hyödyllinen työkalu kehittäjille, taiteilijoille, kirjoittajille, laulajille, näyttelijöille ja yrityksille. Hyödyllisyys ei kuitenkaan poista omistusoikeutta, suostumusta tai kunniaa. Jos yhteiskunta haluaa tekoälyjärjestelmiä miljoonien ihmisten töihin koulutettuna, on myös päätettävä, miten noilla ihmisillä säilyy oikeus vaikuttaa siihen, mitä he ovat luoneet.

Tätä päätöstä ei voi jättää vain niiden yritysten käsiin, jotka ovat jo kopioineet datan.