Microsoft幹部、AIスクレイピングを「人類史上最大の労働の略奪」と呼ぶ

Microsoft幹部、AIのスクレイピングを「人類史上最大の労働搾取」と呼ぶ、新たに開示された訴訟資料が明らかに

3年前にOpenAIとMicrosoftを相手取って起こされた著作権訴訟（The New York Timesによるもの）で新たに開示された、まだ編集されていない情報により、AIのスクレイピングが盗用に等しく、AI製品がパブリッシャーにとって大きな脅威であるという認識が明らかになりました。

訴訟によると、Microsoftのトップ幹部は、同社のAIトレーニング慣行を私的に「盗用」と表現しており、OpenAI自身のリーダーシップも、そのAIモデルがトレーニングに使用されたパブリッシャーやジャーナリストの「存続に関わる脅威」をもたらすと述べていました。

開示された資料には、両社がいかにしてペイウォールを検知されずにバイパスし、大量のスクレイピングを通じてトレーニングデータセットを構築し、意図的にトレーニングデータから著作権表示を削除してコンテンツを取得・使用したかについても詳述されています。

新しい情報の多くは、元の証拠資料ではなく、The Times自身の提出書類から来ていることに注意が必要です。証拠資料自体はまだ非公開のままです。以下の引用は、元の文脈なしに提示されています。

編集されていない提出書類は、3年前に始まった訴訟における最新のエスカレーションです。この訴訟で、The New York Timesは当初、両社が同社のコンテンツを使用して生成AIモデルをトレーニングすることで著作権法に違反したと主張していました。

AI企業が著作権で保護された素材をAIのトレーニングに合法的に使用できるかという問題には、明確な答えはありませんが、裁判官はトレーニングが「フェアユース（公正な利用）」を構成するというAI企業側の主張に概ね好意的でした。この法的規則は、パロディ、ニュース報道、批評などの特定のケースで、著作権で保護された作品を許可なく使用することを認めています。今月初めには、トランプ政権がOpenAIのLLMトレーニングにおける著作権素材の無許諾使用を擁護する意見書を提出しました。

しかし、いくつかの新しい自白は、特に元の作品の市場を代替または損害しないというフェアユース規則の要件に反しており、OpenAIのフェアユース防御とは相容れません。

例えば、Microsoft自身のデータによると、同社のCopilot「回答エンジン」は、従来のBing検索と比較して、The New York Timesのドメインへのクリック率を最大93%低下させていました。2024年1月にMicrosoftの応用科学ディレクターであるBrent Hecht氏が作成したMicrosoftの社内プレゼンテーションでは、この低下を「モデルのパフォーマンスとウェブ全体の両方を同時に損なう」「破滅のループ」と描写しています。

「エンドプロダクトが、その不可欠なサプライヤーの経済的基盤を脅かすというのは非常に異例ですが、それが私たちがLLMビジネスに関して『コンテンツサプライチェーン』に関して作り出した状況です」と、提出書類で引用されているMicrosoftの文書は述べています。

MicrosoftのCEOであるSatya Nadella氏も、今年初めの証言で、「ペイウォールで保護されているものは、誰であってもライセンスを取得する必要がある…グラウンディングやトレーニングのために」と述べており、もし「OpenAIがペイウォールで保護された情報にアクセスしてトレーニングしたことを知っていたら」Microsoftは「OpenAIにモデルの再トレーニングを要求する権利を行使しただろう」と明確にしました。

その他の自白は、フェアユーステストの異なる柱に反するものです。OpenAIのChatGPT責任者であるNick Turley氏は、内部通信で、パブリッシャーは、同氏のチャットボットのような製品から「存続に関わる脅威」に直面しており、それらは「大部分が代替的」であり、「改善するにつれてますます代替的になる」と書いています。

OpenAIの社長であるGreg Brockman氏は、モデルを「ニュースに優れている」と評しました。Nadella氏は今年初めの宣誓証言で、チャットボットとの会話は「AIプラットフォーム上で直接情報を提供する代わりに、元のソースにアクセスする必要性を代替している」と同意しました。

そのような言葉遣いは、この技術が元の作品を変換するのではなく、直接競合する可能性を示唆しています。

Microsoftの文書によると、生成AIが「基盤モデルがトレーニングされたデータを作成した人々の雇用を著しく混乱させる」という「現実的なリスク」が存在すると述べています。

コピーの規模は驚異的です。文書によると、OpenAIの中間トレーニングデータセットだけでも、NYT、Daily News、Center for Investigative Reportingが発行した作品の91,692件以上のコピーが含まれていることが初めて明らかになりました。Common Crawl由来のデータセットには、nytimes.comから200万件以上の文書が含まれていました。

2023年1月の社内メモで、Hecht氏はこれを「前例のない規模の驚くべき盗用」であり、「人類史上最大の労働搾取」と呼んでいました。

提出書類は、OpenAIとMicrosoftがどのようにして原告のコンテンツを取得したか、Bing Indexからのスクレイピングを含む、その詳細を新たに示しています。

「OpenAIはGPT-3のトレーニングデータセット全体をMicrosoftに提供し、Microsoftはそれを自社の商用製品にOpenAIのモデルを実装する方法を評価するために使用しました」と提出書類は述べています。「Microsoftも同様に、Project TaxiおよびProject Mangoと呼ばれる取り組みを通じてOpenAIにトレーニングデータを提供しました。」

両社は、Project Mangoのデータを、ニュースパブリッシャーからの少なくとも160,903件のユニークな作品のコピーを含むトレーニングデータセットに組み立てたとされています。

スクレイピングを最大限に活用するために、OpenAIの従業員は検知されずにペイウォールを回避する計画を考案したとされています。提出書類によると、OpenAIの研究者であるNick Ryder氏がBrockman氏に「nytimesのペイウォールを回避するハック」について伝えた際、Brockman氏は「ああ、いいね」と返信しました。

OpenAIの従業員はまた、スクレイピングされたニュースコンテンツに不均衡に依存したWebTextおよびWebText2のようなトレーニングデータセットを構築したとされています。彼らはまた、Common Crawl、無料のオープンリポジトリであるウェブクロールデータから数百万の記事を抽出したとされています。調査結果では、研究者が「モデルがユーザーに『著作権表示』を出力することを望まない」ため、トレーニングデータから著作権表示を意図的に削除する努力についても説明しています。

「ここで初めて明らかになった証拠は、OpenAIとMicrosoftが自分たちのやっていることが間違っていると知っていたことを示しています」と、New York Daily Newsの弁護人であるSteven Lieberman氏はTechCrunchに共有された声明で述べました。

OpenAIとMicrosoftはコメントの要請に応じませんでした。

当社の記事のリンクから購入すると、少額の手数料を得る場合があります。これは当社の編集の独立性には影響しません。