Kan en Ny Licens Tvinga AI-Jättarna att Öppna Sig?

Vad är Contextual Copyleft AI License (CCAI)?

Contextual Copyleft AI License (CCAI) är ett föreslaget licensramverk från forskare vid Yales Digital Ethics Center (DEC) . Det syftar till att utvidga den traditionella copyleft-principen från världen av fri programvara och öppen källkod (FOSS) till den generativa AI-domänen , .

Kärnan i copyleft är en ömsesidighetsprincip: du får använda och modifiera öppen kod fritt, förutsatt att dina egna förbättringar också släpps som öppen källkod. CCAI föreslår att om en AI-modell tränas på kod som omfattas av en CCAI-licens, ska modellen i sig själv ses som ett derivatverk av den koden. Detta skulle utlösa kravet att även modellen måste förbli öppen , .

Tanken är att förhindra att teknikföretag använder gemensamt utvecklad öppen kod för att bygga kraftfulla, men stängda, kommersiella produkter – att de "tar från det gemensamma utan att ge något tillbaka" .

Vilka transparenskrav skulle CCAI ställa?

Om en AI-utvecklare tränar en modell på kod som är licensierad under CCAI, skulle förslaget kräva att följande information blir offentlig , :

• Modellens arkitektur – designen och den övergripande strukturen hos AI-modellen .
• Träningsdata – dataseten som användes för att träna modellen .
• Modellen i sig och eventuella derivatversioner skulle också tvingas stanna under samma CCAI-liknande copyleft-villkor , .

Målet är att skapa en "licenskedja" där öppenhet tvingas följa med från den ursprungliga koden, genom AI-träningen, ända fram till den färdiga produkten .

Vem har författat studien?

Studien har titeln "The Case for Contextual Copyleft: Licensing Open Source Training Data and Generative AI" och publicerades i Oxford Journal of International Law & Technology , . Författarna är , :

• Grant Shanklin – huvudförfattare och de Vries-Sherif Junior Fellow vid DEC, Yale College .
• Claudio Novelli – forskare vid DEC .
• Emmie Hine – forskare vid DEC .
• Luciano Floridi – John K. Castle Professor och grundare av DEC .
• Tyler Schroder – tidigare DEC-stipendiat på grundnivå .

Vilka juridiska osäkerheter kvarstår kring genomförbarheten?

Forskarna pekar själva på flera olösta juridiska frågor som avgör om CCAI skulle vara praktiskt genomförbart , :

1. Tröskeln för "fair use" – Licensens genomförbarhet hänger tungt på om AI-träning på upphovsrättsskyddad kod klassas som "fair use" (tillåten användning) i domstol. Om domstolar slår fast att träning är fair use, kan licensens restriktioner bli svåra att upprätthålla, eftersom själva träningen då inte skulle kräva tillstånd från upphovsrättsinnehavaren , .
2. Klassificering som derivatverk – Det är fortfarande juridiskt oklart om en tränad AI-modell, med dess inlärda vikter (parametrar), skulle anses vara ett "derivatverk" av träningskoden , .
3. Skillnader mellan jurisdiktioner – Förslagets genomförbarhet kan variera kraftigt mellan olika rättssystem, eftersom upphovsrättsregler och undantag skiljer sig åt internationellt. I EU, till exempel, ser ramverket för text- och datautvinning (TDM) annorlunda ut jämfört med amerikansk fair use-doktrin .
4. Praktisk upprätthållbarhet – Även om licensen anses juridiskt hållbar, kan det vara tekniskt svårt att bevisa att en specifik bit öppen källkod har använts i träningen av en stor, komplex modell. När AI-modeller tränas på enorma, blandade dataset blir källspårningen en stor utmaning , .

Sammanfattningsvis är CCAI ett teoretiskt välgrundat förslag, men dess verkliga slagkraft beror på hur några av de mest brännande upphovsrättsliga frågorna kring AI avgörs i domstolar världen över , .