По-рано тази година Washington post разказаха как Anthropic (компанията зад Claude) купили умопомрачително количество хартиени книги, за да ги сканират, като това действие били кръстили „проект Панама“.

Тук има два интересни момента. Преди да ги купи (и унищожи, за което ще стане дума малко по-късно), компанията събрала милиони книги от всякакви пиратски сървъри и услуги – Books3, LibGen, pirate library mirror, book warez и други. Мотивите им са изключително логични – книгите са преминали през корекция, редакция и проверка. За разлика от хаотичен текст от произволни страници в мрежата (каквато е и този блог) в книгите текстът е добре структуриран, аргументацията е логически правилно построена и това дава възможност за генерирането на огромен корпус от данни, с които езиковите модели да бъдат обучени.

По-късно прибягват до изкупуване на милиони физически книги. Тук хипотезите за причината са много и най-разнообразни. Обикновено когато създаваш бизнес, особено в САЩ, който искаш да предложиш на борсата, целта ти е да имаш добри одитни следи (кой и до какво е имал достъп в хранилището на кода, например) и да си максимално чист юридически. В противен случай потенциални купувачи или инвеститори биха имали едно наум и със сигурност стойността на компанията би била много по-малка, ако има юридически петна в съществуването ѝ.

За да се стигне до проект „Панама“, Антропик наемат Томас Търви, който в Google се занимава с изграждане на партньорства с издателствата по линия на Google Books. Това е ключово за назначаването му, защото той активно съдейства в процеса на сключване на договори с издатели и разпространители и така бързо успява да осигури на новия си работодател достъп до милиони физически книги. Това се случва през 2024 година, едва няколко месеца след като е нает от създателите на Claude. Доста продуктивни първи месеци.

Изчаквайки доставката на книгите, Антропик измислят бързо решение за сканиране и разпознаване на книгите. Премахвайки кориците и странѝците им, оставяйки единствено страници, поточно сканират невъобразими към онзи момент количества съдържание. Това бясно бързане по-късно бива назовано като „деструктивно сканиране“, защото след сканиране компанията не събира книжните тела. Дори в дневния ред не стои даряването им на регионални библиотеки, което би довело до данъчни облекчения, на каквито имат право в САЩ. Цялото това бързане идва от заведеното на 19 август 2024 година дело от Андреа Барц срещу Anthropic, в което ги обвинява, че неправомерно са използвали съдържание от книгите ѝ.

Тук е важно да се спомене, че в copyright act в щатите съществува идеята за справедлива употреба (fair use), която дава право да се използва продукт, защитен от авторски и сродни права, да бъде използван при създаване на друго съдържание. Има вероятно хиляди дела по темата, но най-общо казано, ако автор реши да напише статия, в която цитира фрагменти от книга, за да построи аргумент, може да използва директни цитати, без това да го поставя пред опасността да бъде съден. Примерът може би не е най-удачен, защото не обхваща огромни дела като Skidmore срещу Led Zeppelin, което показва колко е сива зоната по линия на авторското право в САЩ, а примери като Disney срещу Hotfile показват колко всъщност не е сива, ако са намесени финансови интереси на мултимилионна (към момента на делото) компания.

Непосредствено след заведеното от Барц дело, Антропик през новоназначения директор Томас Търви започват интензивни разговори с издатели, за да закупят лиценз за ползване на книгите им. Тези разговори завършват с тотален провал, като няма публична информация дали предложените финансови параметри са нищожни, но по непублични твърдения, базирани на разговори с издатели, точно това е причината.

След крахът за разговори за лицензиране, Антропик започва интензивно купуване на нови и употребявани книги, като по този начин ги превръщат в своя цифрова библиотека.

Интересно е, че съдът в това дело установява три варианта за употреба на книга. Създаване на корпус за обучение на големи езикови модели от притежавани книги се счита за справедлива употреба. За такава се счита и дигитализирането на притежавана книга и унижаването ѝ впоследствие. Свалянето на дигитализирана книга, обаче, се смята за незаконно. Това е важно. Антропик печели спора за конкретната употреба при обучението. Големият юридически проблем остава начинът, по който компанията се е сдобила с част от книгите.

Тук започва сивата зона на авторските права при обучение на езикови модели

Съдът успява относително лесно да отдели законното купуване на книга от изтеглянето на пиратското ѝ копие, но това разделение става почти безполезно, след като съдържанието вече е използвано в корпус и векторни бази, използвани за обучението на езиков модел. Назованите като „пиратски“ файлове могат да бъдат изтрити, компанията може да плати обезщетение, но наученото не стои в модела като библиотека с подредени файлове, които някой просто да изтрие при нужда. То вече е разпределено в параметрите му и практически не разполагаме с надежден начин да установим каква част от способностите му идва от законно купените книги и каква от законно закупените, дигитализирани и унищожени.

Разбира се, абсурдна е дори хипотезата, че можем уверено да обявим всеки голям езиков модел за незаконно обучен. Фактите обаче са категорични – нямаме достатъчно прозрачност, за да обявим който и да е от тях за напълно чист по смисъла на използване на законно притежавани произведения на авторско право. Правилата се пишат, след като моделите вече са обучени, инвестициите са направени и конкурентното предимство е налице.

Затова въпросът вече не е само дали един изкуствен интелект има право да се учи от произведения, създадени от хора. Въпросът е дали мултимилиардна компания може първо да копира културния архив на човечеството, после да заличи следите от начина, по който го е придобила, и накрая да нарече крайния резултат „трансформираща употреба“.

Докато няма ясни правила за произхода на данните, лицензирането, проверимостта и премахването на незаконно използвани произведения от вече обучени модели, отговорът ще продължи да стои в същата удобна за индустрията сива зона.

А дали е морално осъдително унищожаването на милиони физически книги е въпрос, на който всеки от нас трябва да има отговор.