نقض حق نشر در هوش مصنوعی؛ غول‌های فناوری چین به استفاده از کتاب‌های الکترونیکی غیرقانونی متهم شدند
در حالی که دانلود غیرمجاز کتاب‌های دیجیتال نویسندگان کره جنوبی از سوی شرکت آمریکایی آنتروپیک به موضوعی جنجالی تبدیل شده است، اکنون مشخص شده که شرکت‌های هوش مصنوعی چین نیز آثاری از هان کانگ و هوانگ سوک‌یونگ را در مجموعه‌داده‌های خود داشته‌اند.
ارتباط هواوی با مجموعه‌داده «The Pile»
بر اساس اطلاعات منتشرشده در arXiv، پایگاه انتشار جدیدترین پژوهش‌های هوش مصنوعی، شرکت فناوری چینی هواوی در مارس ۲۰۲۳ گزارش فنی مدل هوش مصنوعی خود با نام «Pangu Sigma» را منتشر کرد. در این گزارش، روش گردآوری داده‌های مورد استفاده برای آموزش مدل توضیح داده شده و به‌صراحت آمده است که متن‌های انگلیسی از مجموعه‌داده‌هایی مانند «The Pile» تأمین شده‌اند؛ مجموعه‌ای که حجم داده‌های مورد اشاره از آن به ۸۰۰ گیگابایت می‌رسد.
«The Pile» مجموعه‌داده‌ای متشکل از کتاب‌ها، مقالات پژوهشی و اسناد موجود در وب است. اسناد معرفی این مجموعه نشان می‌دهند که «Books3» نیز بخشی از آن بوده است؛ مجموعه‌ای شامل کتاب‌های الکترونیکی غیرقانونی که آنتروپیک هم آن‌ها را دانلود کرده بود. این پرونده به توافق آنتروپیک با دارندگان حقوق نشر انجامید و شرکت پذیرفت برای هر کتاب ۳۰۰۰ دلار غرامت بپردازد.
بررسی فهرست آثار موجود در «Books3» نشان می‌دهد که دست‌کم ۱۹ کتاب الکترونیکی ترجمه‌شده به انگلیسی از نویسندگان کره‌ای در این مجموعه وجود دارد. از جمله این آثار می‌توان به «گیاهخوار» و «اعمال انسانی» نوشته هان کانگ، «زندانی» اثر هوانگ سوک‌یونگ و «لطفاً مراقب مامان باش» نوشته شین کیونگ‌سوک اشاره کرد. تهیه‌کنندگان «The Pile» توضیح داده‌اند که کتاب‌های دیجیتال را به این مجموعه افزوده‌اند، زیرا این آثار برای مدل‌سازی متن‌های طولانی و تولید روایت‌های داستانی منسجم ارزش زیادی دارند.
دیپ‌سیک و «Anna’s Archive»
دیپ‌سیک، یکی از شرکت‌های پیشرو هوش مصنوعی در چین، درباره منابع داده‌ای خود اطلاعات مشخص‌تری ارائه کرده است. در گزارش فنی مارس ۲۰۲۴ این شرکت درباره مدل «DeepSeek-VL» آمده است که برای آموزش مدل از ۸۶۰ هزار کتاب الکترونیکی انگلیسی و ۱۸۰ هزار کتاب الکترونیکی چینی استفاده شده که از «Anna’s Archive» به دست آمده بودند.
«Anna’s Archive» یک کتابخانه سایه بدنام است که نسخه‌های ترجمه‌شده انگلیسی آثار نویسندگان سرشناس کره‌ای و همچنین ترجمه‌های چینی برخی آثار، از جمله «پرواز رویاها» نوشته کیم آئه‌ران، را در خود جای داده است. هنوز تأیید نشده که دیپ‌سیک نسخه‌های مشخصی از این کتاب‌های کره‌ای را دانلود کرده باشد، اما شواهد غیرمستقیمی در این زمینه وجود دارد.
پژوهشی از محققان دانشگاه کلمبیا و دانشگاه کارنگی ملون نشان داد که مدل «DeepSeek 3.1» پس از فرایند تنظیم دقیق، ۱۹ واژه پیاپی از کتاب «گیاهخوار» هان کانگ را عیناً تولید کرده است. این یافته احتمال می‌دهد که رمان پیش‌تر در مرحله پیش‌آموزش مدل استفاده شده باشد؛ با این حال، این پژوهش هنوز داوری علمی نشده است.
رویه‌ای فراگیر در صنعت
استفاده از کتاب‌های الکترونیکی غیرقانونی به آنتروپیک و شرکت‌های چینی محدود نمی‌شود. پرونده‌های قضایی نشان داده‌اند که اوپن‌ای‌آی و متا نیز کتاب‌های دیجیتال را بدون مجوز گردآوری کرده‌اند.
جو جه‌گول، استاد هوش مصنوعی در مؤسسه پیشرفته علم و فناوری کره (KAIST)، می‌گوید استفاده از کتاب‌های غیرقانونی برای آموزش هوش مصنوعی در این صنعت رازی آشکار بوده است. به گفته او، شرکت‌ها در رقابت شدید برای بهبود عملکرد مدل‌هایشان، اغلب به مجموعه‌داده‌های عمومی‌ای متکی می‌شدند که محتوای غیرقانونی داشتند، بی‌آنکه خطرهای حقوقی استفاده از این منابع را به‌طور کامل بررسی کنند.
متن اصلی این گزارش به زبان کره‌ای در وب‌سایت کره دیلی منتشر شده است.