Ringkasan
- Perusahaan AI dihadapkan pada ribuan gugatan dari pemegang hak cipta yang menuntut kompensasi atas penggunaan karya tanpa izin dalam pelatihan model mereka.
- New York Times, Getty Images, dan organisasi penulis telah mengajukan kasus utama yang menguji batas-batas penggunaan wajar dalam konteks kecerdasan buatan.
- Perusahaan AI mulai melisensikan konten dari penerbit, menunjukkan pengakuan bahwa pembayaran untuk data pelatihan mungkin menjadi norma industri di masa depan.
- Hasil dari sengketa ini akan menentukan apakah pengembangan model memerlukan lisensi data besar atau dapat berlanjut dengan data yang dikumpulkan secara otomatis dari internet.
Perusahaan pengembang model kecerdasan buatan menghadapi gelombang gugatan terkait bagaimana mereka mengumpulkan dan menggunakan data pelatihan. Perselisihan ini melibatkan puluhan ribu pemegang hak cipta, dari penerbit besar hingga seniman individu, yang menuntut bahwa karya-karya mereka digunakan tanpa izin dan tanpa kompensasi. Sengketa ini menandai momen penting bagi industri AI dan menentukan bagaimana model bahasa besar akan dilatih di masa depan.
Inti dari Perselisihan Hak Cipta
Perusahaan AI modern melatih model mereka pada jutaan dokumen, gambar, dan konten lainnya yang dikumpulkan dari internet. Pengumpulan ini terjadi melalui sistem otomatis yang menjelajahi web, mengindeks konten, dan menyimpan data untuk digunakan dalam pelatihan model. Proses ini serupa dengan cara mesin pencari mengindeks halaman, namun skala dan tujuannya berbeda secara fundamental. Sementara mesin pencari menampilkan cuplikan dan tautan, model AI menggunakan konten untuk mengekstrak pola yang memungkinkan mereka menghasilkan teks, gambar, dan konten baru.
Pemegang hak cipta berpendapat bahwa penggunaan ini melanggar undang-undang hak cipta karena tidak ada izin atau pembayaran. Mereka menunjukkan bahwa model AI dapat menghasilkan keluaran yang sangat mirip dengan karya asli, menunjukkan bahwa pelatihan pada data berlisensi memberikan nilai signifikan kepada perusahaan AI. Pengembang model membela praktik mereka dengan mengutip prinsip penggunaan wajar, teori hukum bahwa penggunaan transformatif untuk tujuan baru dapat dibenarkan meskipun tanpa izin pemilik asli.
Gugatan Utama dan Dampaknya
Gugatan terbesar datang dari New York Times, yang menggugat OpenAI dan Microsoft pada Januari 2024 atas penggunaan jutaan artikel tanpa izin untuk melatih model ChatGPT. Surat gugatan menjabarkan bahwa konten New York Times digunakan untuk melatih model yang sekarang berkompetisi dengan situs berita itu sendiri, mengurangi traffic dan nilai publikasi. Klaim mencakup kerusakan komersial dan permintaan untuk menghentikan penggunaan konten mereka.
Getty Images, agensi fotografi terkemuka, menggugat Stability AI karena model pembuat gambar dilatih pada foto-foto berlisensi tanpa kompensasi. Kasus ini melibatkan jutaan gambar berkualitas tinggi yang seharusnya dibayar oleh siapa saja yang menggunakannya secara komersial. Stability AI mempertahankan bahwa pelatihan model AI adalah penggunaan wajar, namun Getty Images bersikeras bahwa perbedaan ini merupakan penggunaan yang langsung bersaing dengan bisnis lisensi foto mereka.
Organisasi penulis dan seniman juga telah mengajukan gugatan. Persatuan Penulis telah melayani pemberitahuan kepada perusahaan AI. Seniman visual telah mengajukan gugatan kelompok menuntut kompensasi atas penggunaan karya mereka dalam pelatihan model generatif.
Bagaimana Data Dikumpulkan untuk Pelatihan
Proses Pengumpulan Otomatis
Perusahaan AI menggunakan web scraper, program otomatis yang mengunduh konten dari internet dan menyimpannya dalam basis data besar. Scraper ini mengikuti tautan dari situs ke situs, mengumpulkan teks, gambar, video, dan konten lainnya. Beberapa pengembang model membeli dataset yang sudah dikurasi, sementara yang lain membangun alat scraping mereka sendiri. Proses ini menghasilkan dataset yang berisi miliaran kata dan miliaran gambar.
Skala dan Komposisi Data
Model bahasa besar seperti GPT-4 dan Claude dilatih pada dataset yang mencakup buku, artikel berita, posting media sosial, dokumentasi teknis, dan konten lainnya. OpenAI dan Anthropic belum mengungkapkan komposisi tepat dari dataset pelatihan mereka, namun penelitian independen menunjukkan bahwa data berlisensi mewakili bagian signifikan. Untuk model pembuat gambar, jutaan foto berlisensi dari layanan penyimpanan telah diidentifikasi dalam dataset pelatihan.
Argumen Hukum yang Bertentangan
Pengembang AI bergantung pada konsep penggunaan wajar, kerangka hukum yang memungkinkan penggunaan materi berlisensi tanpa izin dalam keadaan tertentu. Mereka berpendapat bahwa pelatihan model adalah penggunaan transformatif yang berbeda secara fundamental dari penggunaan asli karya. Model tidak memproduksi ulang konten asli; mereka belajar pola dan menghasilkan konten baru. Ini mirip dengan bagaimana penulis mempelajari karya-karya lain untuk belajar menulis, atau bagaimana ilmuwan membangun pada penelitian sebelumnya.
Pemilik hak cipta menolak analogi ini. Mereka menunjukkan bahwa penggunaan wajar tradisional melibatkan sejumlah kecil karya dan menghasilkan materi yang melayani tujuan yang sangat berbeda. Melatih model pada miliaran dokumen melayani tujuan komersial langsung bagi perusahaan AI, mereka berpendapat, dan menghasilkan produk yang secara langsung bersaing dengan pasar asli untuk karya asli.
Respons dan Adaptasi Industri
Beberapa perusahaan AI telah mengumumkan opsi opt-out, memungkinkan pemegang hak cipta untuk meminta bahwa karya mereka tidak digunakan dalam pelatihan model di masa depan. OpenAI meluncurkan alat yang memungkinkan penerbit untuk mengecualikan konten mereka dari pelatihan model baru. Namun, opt-out ini hanya berlaku untuk pelatihan di masa depan dan tidak mengatasi data yang sudah digunakan.
Perusahaan juga mulai mengejar perjanjian lisensi dengan pemegang hak cipta. OpenAI, Microsoft, dan Google telah mengumumkan kesepakatan dengan penerbit berita untuk melisensikan konten. Perjanjian ini membayar penerbit untuk izin menggunakan artikel mereka dalam pelatihan model. Kesepakatan dengan organisasi berita menunjukkan pengakuan bahwa pembayaran untuk data mungkin menjadi norma.
Regulasi, Implikasi, dan Masa Depan Industri
Pemerintah di seluruh dunia mempertimbangkan cara mengatur pelatihan model AI. Uni Eropa sedang mengembangkan undang-undang AI yang akan mengatur penggunaan data untuk pelatihan model dan menetapkan persyaratan transparansi. Beberapa peraturan mungkin memerlukan perusahaan untuk mengungkapkan dataset pelatihan mereka atau mendapatkan izin eksplisit untuk konten berhak cipta.
Hasil dari sengketa ini akan membentuk cara AI dilatih di tahun-tahun mendatang. Jika pemegang hak cipta menang dalam kasus-kasus besar, perusahaan AI mungkin perlu melisensikan sebagian besar data pelatihan mereka, meningkatkan biaya pengembangan model. Jika pengembang berhasil, praktik saat ini mungkin berlanjut dengan beberapa modifikasi. Kemungkinan terbesar adalah solusi di tengah: beberapa data akan dilisensikan, beberapa akan dieksklusikan, dan beberapa akan tetap menjadi masalah hukum yang tidak jelas untuk waktu yang akan datang.
Pertanyaan yang Sering Diajukan
Mengapa perusahaan AI menggunakan data tanpa izin dari pemilik asli?
Perusahaan AI mengumpulkan data dari internet secara otomatis melalui web scraper untuk melatih model. Mereka berpendapat bahwa penggunaan ini adalah penggunaan wajar yang diizinkan di bawah hukum hak cipta karena tujuannya bersifat transformatif dan berbeda dari penggunaan asli konten. Pengembang model tidak memproduksi ulang karya asli tetapi belajar pola dari data tersebut.
Apa kerugian yang dituntut pemegang hak cipta dalam gugatan ini?
Pemegang hak cipta menuntut kompensasi moneter atas penggunaan karya mereka, penutupan akses model AI ke konten berlisensi mereka, dan pengakuan bahwa pelatihan AI tanpa izin melanggar hak cipta. New York Times menuntut kerusakan komersial dari Microsoft dan OpenAI, sementara Getty Images mencari kompensasi atas penggunaan jutaan foto berkualitas tinggi dalam pelatihan model.
Bagaimana perusahaan AI merespons gugatan dan kekhawatiran hak cipta?
Beberapa perusahaan telah meluncurkan alat opt-out yang memungkinkan pemegang hak cipta mengecualikan konten dari pelatihan di masa depan. OpenAI, Microsoft, dan Google juga menandatangani perjanjian lisensi dengan penerbit berita, menunjukkan pergeseran industri menuju pembayaran untuk data pelatihan daripada penggunaan gratis.
