学术论文助力AI模型：版权与补偿争议升温
近期，学术出版商开始向大型科技公司出售研究论文访问权，这些公司利用这些论文训练大型AI模型。这一做法引起了未被咨询的研究人员的担忧。例如，英国出版商Taylor & Francis与微软签订了1000万美元的合同，美国出版商Wiley与一家未透露名称的科技公司达成了2300万美元的协议，这些交易凸显了这一趋势的增长。AI开发者为了训练如ChatGPT这样的模型，越来越多地使用包括付费墙后的研究论文在内的高质量数据。
专家指出，几乎所有在线内容，无论是开放获取还是非开放获取，都可能被用于训练AI模型。一旦论文被纳入模型训练数据，就无法移除，这引发了未经授权使用和版权侵犯的担忧。学术论文因其信息密度高，对训练具有高价值，其法律和伦理影响仍在讨论中。
关键要点
- 未经同意使用研究论文：学术出版商未经作者同意，将研究论文出售给科技公司用于AI训练，引发伦理和法律问题。
- 高价值内容：研究论文因其长度和信息密度，被视为AI训练的宝贵资源，有助于在专业领域中构建更准确的模型。
- 交易凸显增长趋势：如Taylor & Francis与微软的1000万美元交易和Wiley从科技公司获得的2300万美元收入，表明学术数据市场正在蓬勃发展。
- 法律和伦理辩论：使用受版权保护的研究论文进行AI训练的合法性尚不明确，存在诉讼和呼吁制定更明确的作者补偿规定。
深入分析
使用学术论文训练AI模型的做法利用了精心筛选的知识资源，这对于创建能够生成准确详细响应的高级语言模型至关重要。然而，这一过程涉及从互联网上大量抓取数据，通常未经原作者直接许可，引发了重大的版权问题。
尽管科技公司辩称，他们将数据用于训练目的属于转换性使用，可能受版权法保护，但批评者强调需要更明确的补偿机制。AI模型不仅仅是复制文本；它们学习模式并基于这些模式生成新内容，这使得侵权问题复杂化。如《纽约时报》诉微软和OpenAI等案件可能会对此问题设定关键先例。
研究人员还对训练过程的透明度表示担忧。许多AI公司对其数据集保密，这使得很难证明特定论文是否被用于训练。即使获得了证据，如通过成员推断攻击，问题依然存在：研究人员有何补救措施？
这一辩论不仅涉及法律，还涉及伦理。投入多年努力完成作品的作者可能会看到其作品被无认可使用，更不用说补偿了。一些人欢迎有机会为AI进步做出贡献，但其他人担心这种做法可能会降低学术出版和研究的价值。
你知道吗？
- AI生成的数据可能导致无意义：当AI模型被训练在其他AI已经生成的数据上时，结果可能不可靠且常常无意义。这凸显了高质量、原始数据源（如学术论文）对准确AI发展的重要性。
- 版权陷阱：为了检测AI模型是否被训练在特定内容上，研究人员设计了“版权陷阱”，通过在作品中嵌入无意义句子或隐形文本来识别。这些陷阱有助于证明需要更好的跟踪机制。
- 有利可图的内容交易：《金融时报》和Reddit也加入了提供内容用于AI训练的行列，成为科技公司利用的数据源之一。
关于使用学术论文进行AI训练的持续辩论凸显了技术创新与知识产权保护之间的紧张关系。随着法律环境的演变，平衡AI进步与研究人员公平补偿的策略也将随之发展。