Обучение систем искусственного интеллекта (ИИ), таких как ChatGPT и Claude, требует огромных объемов данных. Общепризнано, что чем лучше данные, тем лучше становится ИИ. За последние пару лет мы видели, как ИИ-компании заключали соглашения с различными организациями для доступа к их данным. Однако некоторые ИИ-компании исследовали альтернативные источники данных. В январе 2026 года стало известно, что создатель Claude, компания Anthropic, приобретала подержанные книги и сканировала их в промышленных масштабах для обучения своей системы ИИ. Побочным эффектом этой индустриальной оцифровки стало то, что книги при этом уничтожались. В августе 2026 года было сообщено, что партия редких книг была отслежена до объекта обучения ИИ компании Amazon. «Раскрытие информации в ходе судебных разбирательств в США демонстрирует, что сотрудники этих компаний понимали серьезность использования контента, защищенного авторским правом, без разрешения», — говорит Катриона МакЛеод Стивенсон, генеральный юрисконсульт и заместитель генерального директора Ассоциации издателей. «Внутренний меморандум, опубликованный в рамках иска New York Times против OpenAI и Microsoft, содержит запись, в которой руководитель Microsoft описывает разработку больших языковых моделей как «поразительное воровство беспрецедентных масштабов», — добавляет она. Стоит также отметить, что уничтожались не только массовые издания. Некоторые были антикварными, редкими и недоступными в других местах. «ИИ-компаниям невероятно легко сканировать книги. Это так тривиально, и это можно делать в больших масштабах», — говорит Патрик Смит, технический директор по полевым операциям (CTO) в Pure Storage. «Масштабность — причина уничтожения книг, поскольку им нужно отрезать корешок, чтобы подать их в сканирующие машины с невероятной скоростью. Ничто в мире обучения ИИ не происходит в малых масштабах; это крупномасштабная операция».
Опубликованные книги против онлайн-текста
В отличие от онлайн-материалов, таких как посты в социальных сетях и блоги, книги предлагают более высокое качество данных. Книги прошли более строгую редактуру, чем большинство онлайн-материалов, и обычно кто-то платил автору за их публикацию, поэтому грамматика и пунктуация находятся на более высоком уровне. Кроме того, книги хорошо излагают длинные аргументы, в отличие от онлайн-материалов, которые часто короче и более сжаты. «Мы так долго говорили о «мусор на входе — мусор на выходе» (GIGO), и это остается правдой», — говорит Смит. «Если бы ИИ-модели обучались на более качественных данных, то их не потребовалось бы так много. Я не уверен, что ИИ-модели знают, как выглядит хорошее». Используя книги, напечатанные до 2022 года (года запуска ChatGPT), разработчики могут быть уверены, что генеративный ИИ не использовался при написании книг. ИИ-модели теряют точность после рекурсивного обучения на данных, произведенных другими системами ИИ, поскольку это может привести к деградации процесса обучения и, в конечном итоге, к коллапсу модели.
Проблемы с авторским правом и лицензированием
Авторы и издатели столкнулись с многочисленными проблемами после выпуска систем генеративного ИИ. Возникли вопросы о законности обучения ИИ-инструментов на работах, защищенных авторским правом, и опасения, что некоторые системы ИИ могут генерировать текст в стиле конкретных авторов. В США существует доктрина добросовестного использования (часть Раздела 107 Закона об авторском праве 1976 года), которая разрешает ограниченное использование материалов, защищенных авторским правом, например, для преобразования физических носителей в цифровые файлы, без разрешения правообладателя. В Великобритании Раздел 29 Закона об авторском праве, промышленных образцах и патентах 1988 года разрешает преобразование физических носителей в цифровые, но только если это делается в некоммерческих целях. «Британское законодательство об авторском праве предусматривает специальные исключения «добросовестного обращения», которые являются более узкими и не взаимозаменяемыми с американским добросовестным использованием», — говорит Стивенсон. «Квалифицируется ли конкретное использование как «добросовестное обращение», зависит от фактов, включая то, был ли объем использованного материала разумным и соответствующим. Использование вряд ли будет добросовестным, если оно заменяет оригинальную работу и приводит к потере дохода правообладателем». Стоит отметить, что некоторые книги существуют вне контроля авторских прав. Например, срок действия авторских прав на некоторые произведения истек (в Великобритании это обычно 70 лет после смерти автора), а некоторые были опубликованы без ограничений авторских прав. Это подняло вопрос о территориальности в правоприменении авторских прав. Если система ИИ обучается в стране, где разрешено использование материалов, защищенных авторским правом, что происходит, когда этот ИИ развертывается в регионах с гораздо более строгим контролем авторских прав? Территориальный контроль в авторском праве был одним из основных элементов в судебном деле Getty Images против Stability AI. «Мы все думали, что это дело прояснит ситуацию в этой области», — говорит Марк Дим, юрист по цифровым технологиям и основатель Fortiter. «К сожалению, этого не произошло, потому что по этому конкретному вопросу они не смогли легко установить, что копирование произошло в пределах территориальных границ Великобритании, и вопрос не был окончательно решен». Упомянутые региональные проблемы соглашений о лицензировании ИИ и авторских прав аналогичны тем, с которыми сталкивается киноиндустрия. С 1997 года киноиндустрия использует управление цифровыми правами для контроля регионального подхода к распространению DVD и Blu-ray по всему миру.
Требует ли обучение ИИ регулирования лицензирования контента?
Учитывая проблемы с авторским правом при обучении ИИ, возникает вопрос, необходим ли глобальный консенсус относительно использования материалов, защищенных авторским правом, для целей обучения ИИ. Подобно тому, как Общий регламент по защите данных стал де-факто стандартом для регулирования защиты данных, нуждается ли сектор ИИ в аналогичном подходе к регулированию? Некоторые издатели уже заключили лицензионные соглашения, по которым ИИ-компании, согласные с определенными условиями, могут обучать ИИ на книгах этого издателя, при условии, что они и их авторы получают соответствующую компенсацию за использование их материалов. «Существует развивающийся рынок лицензирования, который позволяет ИИ-компаниям и правообладателям заключать лицензионные сделки и согласовывать условия и вознаграждение за использование работы», — говорит Амбр Морван, старший менеджер по государственной политике и консультант по контрактам Общества авторов. В своем стремлении конкурировать с другими странами правительство Великобритании опубликовало документ, излагающий четыре предложения по реформе авторского права. Два предложения предполагали ослабление законов об авторском праве путем предоставления исключений для случаев использования произведений в целях обучения систем ИИ. Однако после кампании со стороны творческих индустрий правительство с тех пор заявило, что больше не будет рассматривать предложения, которые ослабят существующую систему авторского права. «Закон никогда не может точно предписать, куда движется технология и как она развивается, но он может обеспечить соответствующие «защитные ограждения» для способа ее разработки, и мы должны быть очень осторожны, чтобы ослабление этих «ограждений» не было замаскировано под возможность попытаться добиться лучшего развития ИИ», — говорит Дим. «Проблема сейчас не в скорости, а в том, чтобы убедиться, что существуют «защитные ограждения», которые обеспечат правильное развитие, уважая текущее состояние общества, права людей в обществе и потенциальный ущерб, который это может нанести творческим индустриям».
Будущее обучения ИИ
В качестве альтернативы крупномасштабному ИИ для выполнения конкретных задач развертываются малые языковые модели (SLM), которые требуют гораздо меньше данных для эффективной работы. Однако малые языковые модели уступают в многофункциональности большим языковым моделям (LLM). «Некоторые организации предпочитают не большие языковые модели, а малые языковые модели; модели, которые точно настроены для конкретных целей», — говорит Смит. «Они обучаются на конкретных данных для конкретных случаев использования, так что это не случай «большие языковые модели или ничего». Тем не менее, остается потребность в международной нормативной базе для систем ИИ, чтобы гарантировать их надлежащее и этичное обучение и развертывание. Однако, учитывая текущую геополитическую напряженность, любая форма международно согласованного договора кажется маловероятной. К Anthropic была обращена за комментарием, но ответа не последовало.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Peter Ray Allison
