Meta、著作権データを含む81.7TBのデータセットをTorrentで取得しシード配布
(arstechnica.com)- 公開解除された内部メールと裁判資料により、MetaがAI学習用の海賊版書籍データセットをTorrentでダウンロードし、その一部をシードしていたという著者側の主張が具体化した
- 争点は、Anna’s ArchiveやLibGenなどから取得したデータ規模が少なくとも81.7TBに達していたのか、そしてこの過程が単なるダウンロードを超えて配布につながったのかにある
- 内部メッセージには、会社のノートPCとMetaのIPアドレスでTorrentを使うことへの懸念が残されており、著者側はMetaが法的リスクを認識していたと見ている
- MetaがFacebookサーバーの使用を避け、設定を変更してシードを最小化しようとした形跡は、ダウンロードやシードの追跡を意識していたかどうかを分ける重要な根拠となる
- Metaは、LibGenベースのAI学習はフェアユースだと反論し、原告が第三者による実際のダウンロード事例を立証できていないと主張している
公開解除されたメールが示した訴訟の争点
- 書籍著者らがMetaを相手取って起こした著作権訴訟で、公開解除されたメールはMetaに不利な重要証拠として使われている
- 著者らは、Metaが海賊版書籍でAIモデルを学習させたと主張している
- Metaは先月、議論のある大規模データセットLibGenをTorrentで取得したことを認めたが、具体的な方法と規模は公開解除前まで明確ではなかった
Torrentの規模とデータの出所
- 著者側の裁判資料によると、MetaはAnna’s Archiveを通じて複数のシャドーライブラリから少なくとも81.7TBをTorrentで取得したと主張されている
- このうち少なくとも35.7TBはZ-LibraryとLibGenのデータだった
- Metaが以前にLibGenから80.6TBをTorrentで取得したという主張も含まれる
- 著者側は、MetaのTorrent規模は「驚くべき水準」だと評価し、Metaが複製したと主張される著作物規模の**0.008%**に相当する、はるかに小規模なデータの海賊版複製でも刑事捜査の照会につながった事例があると裁判所に提出した
シードが直接侵害の主張に与える影響
- 著者らは、MetaのTorrent利用が単なるダウンロードを超えてシードを伴っていたのかに注目している
- シードはTorrentファイルを外部に共有する行為につながり得るため、著者側の直接的な著作権侵害主張のうち配布理論を補強する争点となる
- Metaは、著者らがMetaのTorrentとシードデータを検討しようとする試みに対抗し、以前に裁判所は著者らの検討請求を却下した
- その後、著者らは別の証拠を確保し、内部文書にはMeta社員がTorrentの法的リスクを意識していた形跡が含まれていると主張している
内部メッセージに残された法的懸念
- MetaのリサーチエンジニアNikolay Bashlykovは、2023年4月のメッセージで「会社のノートPCでTorrentを使うのは適切ではない感じがする」と書き、MetaのIPアドレスで「Torrentを通じてpirate contentをロード」することへの懸念を示した
- 2023年9月には、Bashlykovが法務チームに直接問い合わせ、Torrentの使用はファイルのシード、つまりコンテンツの外部共有を意味するため「法的に問題ないとは限らない」と強調した
- 著者側は、こうしたメールがMetaが当該行為の違法性を知っていた証拠だと見ている
- 著者側の主張によると、Metaは2024年4月まで、複数のシャドーライブラリからテラバイト規模のデータをダウンロードしてシードしながら、Torrentの使用を可能な限り隠そうとしていた
シード隠しの疑惑とMetaの対応
- 著者側は、MetaがデータセットのダウンロードにFacebookサーバーを使わず、「seeder/downloader」がFacebookサーバーへ追跡されるリスクを避けようとしたと主張している
- Metaの研究者Frank Zhangの内部メッセージは、この作業をstealth modeと表現している
- プロジェクト管理担当役員Michael Clarkの証言によると、Metaは可能な限りシードを最小化するよう設定を変更した
- 著者側は、新たな情報が従来の証言と矛盾するとして、LibGenのTorrent取得決定に関与したMeta社員を再び尋問すべきだと主張している
- Mark Zuckerbergは、LibGenをAIモデルの学習に使う決定には関与していないと主張したが、著者側は公開解除されたメッセージが「MZ」に事前エスカレーションされた後にLibGen使用の決定が行われたことを示していると見ている
フェアユースの主張と残る手続き
- Metaは訴訟の過程で、LibGenを利用したAI学習はフェアユースだと一貫して主張してきた
- Metaは先月の棄却申立てで、原告らはMetaのTorrentを通じて第三者が実際に書籍の一部をダウンロードした単一の事例も示せておらず、原告らの書籍がMetaによって配布されたことも立証できていないと主張した
- 限定的な証拠開示がMetaのシード問題を対象に進む中、Metaは現在、直接的な著作権侵害請求のうちシード部分について争っていない
- Metaは、略式判決の段階で記録を正し、この主張に根拠がないことに反論すると裁判所に伝えている
1件のコメント
Hacker News の意見
LLM が著作物を百科事典のように知っているのを見ると、どこも似たようなことをしたのだろうと思う
もっと広く見れば、YouTube も最初はゴーストタウンで、著作権のあるテレビ番組がアップされるようになって成長したし、Google も他人のデータを対価なしにインデックスして大きくなり、Spotify の初期の音楽ライブラリも海賊版だった
企業は自分たちの知的財産権は攻撃的に守る一方で、他人の権利侵害にはためらいがない。しかし個人にはそうした特権はない。MIT の物置にノート PC をつないで論文をダウンロードしたら、人生を失うことになる
デジタル商品にお金を払わないこと。Netflix が値上げしても torrent にはあらゆる番組があり、Spotify が値上げしても好きなアーティストの全曲が torrent にある。ゲーム会社がデジタル衣装に現実世界並みの価格を要求するなら、クラック版を探してプライベートサーバーで遊べばいい
何十億ドル規模の企業はあなたのことなど気にしていないと示してきたのだから、給料を失うと不満を言う人たちには「お金を払ってくれてありがとう」とだけ返せばいい。クリエイターを直接支援したいならライブに行くか小切手を送ればよく、実際に被害を受ける人を特定できないなら気にしなくていい
いまでは「著作権が創作を促す」という論理をほとんど信じていない。著作権は広告のように巨大企業の創作を促すが、広告のように概して価値の低い創作も促す
創造的な個人に必要なのは著作権ではなく、自然に湧き上がる創造性に時間を使う自由を与えるセーフティネットだ。創作を奨励するのが目的なら、著作権はベーシックインカムのひどく高価で出来の悪い代替物だ
Reddit の共同創業者で活動家だった彼は、JSTOR から学術論文を大量にダウンロードしたというだけで、懲役35年と100万ドルの罰金に直面しなければならず、その重圧のために最終的にこの世を去った。冥福を祈る
公開ウェブサイトをクロールして検索インデックスを作ることは、出典表示もなく原文をそのまま再現できる LLM を作ることとは同じではない。ただし、LLM の最終的な変容的性格については議論の余地がある
Spotify の音楽ライブラリも、一般向けに通常提供されたバージョンではなく、権利者の許可を得てそうしたもののように見える
それ以前にも大英帝国はスペインから金を盗んで飛躍し、スペインはアステカやメキシコ先住民から搾取していた
いつものことではあるが、文化は物理的なウィジェットのようには機能しないのだから、DRM、著作権、特許のような人工的な希少性の仕組みによって、デジタルコピーの恩恵を少数の人間に盗ませてはならない
AI 企業がモデルをどのように学習させてきたのかが分かるほど、残りの私たちはただのカモだったことがますます明らかになる
法律は重要だと信じ、仕事で自分たちがしていることを決して歪めたり隠したりしてはいけないと考え、自社の利用規約や他のサイト・製品の利用規約を守るべきだと信じていた
ウェブサイトやコンテンツに登録するときは、相手がアクセスを許可するかどうかを合理的に判断できるよう、常に会社のメールアドレスを使うべきだと考えていたが、実際には最初からYOLO 式に押し切るべきだった。捕まるまでは違法ではないし、捕まる前に十分大きくなればルールは適用されない
倫理的に行動したことへの報酬は、残念ながら時に個人的な満足だけだ。子どもたちが周囲で目にする手本を考えると、こういう環境で子育てをするのは本当に難しそうだ
自分自身への敬意のためにも、道徳性と誠実さを持って行動すべきだ。大手テック企業が法律を尊重していると錯覚したことはないが、それは自分とは別の問題だ
彼らは大したリスク評価も倫理観もなく、グロースハックの実験を一つずつ手探りで進めていったように見える
捕まったうえで間違った種類の人間だった場合にだけ違法なのだ。正しい種類の人間に対しては、手首を一度たたくことすらない
MetaがLLMを著作権で保護された資料で学習したかどうかが、なぜ疑問になるのか理解できない。彼らの論文にそう書いてある
LLaMA論文 [Touvron et al., 2023] には「学習データセットに2つの書籍コーパスを含めた: Gutenberg ProjectとThePileのBooks3セクション」とある
その参照をたどると、Books3はShawn Presserが公開したBibliotikのプライベートトラッカーのコンテンツのコピーに由来する書籍データセットだと出てくる。(Presser, 2020) は https://twitter.com/theshawwn/status/1320282149329784833 を指していて、笑えることにこのDMCAポリシーも参照している: https://the-eye.eu/dmca.mp4
さらにGitHub、Webページ、ArXivでも学習したと言っているが、いずれも著作権コンテンツを含む。核心的な問いは、著作権で保護された資料で学習したAIモデル、重み、出力物を学習・使用・配布することが合法かどうかであり、著作権資料で学習したという事実自体は確かだ
[Touvron et al., 2023] https://arxiv.org/pdf/2302.13971
[Gao et al., 2020] https://arxiv.org/pdf/2101.00027
これは学習済みLLMをめぐる議論とは別の、独立した侵害である
1つ目は、公開アクセス可能な著作権資料で学習する場合だ。詩を書いて世界中の人が読めるようにオンラインに載せれば、それはあなたの知的財産であり、他人が持っていって売ることはできないが、読んで着想を得るのは自由だ。この場合の学習の合法性は裁判所で扱われており、これまでのところLLM側に有利に見える
2つ目は、公開されていない著作権資料で学習する場合だ。実質的には違法コピー、あるいは費用を避けるために抜け道で入手した資料である。ペイウォールの向こうにある詩が対価なしにLLMに知られているなら、その作品を見るには法的に支払う必要があるので、単に違法だ。ただし、アーカイブへのアクセス権を購入したうえで、その中のすべてを学習するような条件については検討の余地がある
ユーザーがモデルから、簡単にスタイルだけ変えられる生データの断片をハックして取り出し、似て見えるようにしたとして、それが本当に著作権侵害なのかは疑問だ。2つのモデルが必要ならどうだろう
いまや、人間が直接盗作の試みを判別する能力はすでに限界に達している、と受け入れるべきなのかもしれない。Skyの声とHerの声を区別しにくいのと同じように
Thomas Babington Macaulayの著作権演説はぜひ読むことを強く勧める。著作権の目的、期間、危険性を非常に論理的に説明している
特に、著者が家族を貧困の中に残して亡くなった場合を挙げて、著作権延長はそれを防ぐ公正な方法だとよく主張されたが、ほとんどの場合、残された家族は著作権を持っていなかった
著者は最初に複製権を出版社に売り、出版社は作品を出版しないまま寝かせ、貧困に追い込まれた著者に著作権を安値で完全に譲渡させた。このような場合、著作権延長は出版社だけを利し、むしろ著作権を奪い取る誘因を高める
そんな人が我々に著作権を教えると？ 遠慮しておく
著者が権利を売るかどうかにかかわらず、著者と家族は著作権があると同じようにより良い状態になる
Libgenは起訴するのではなく、支持すべき文明的プロジェクトだ
いつか人々が、人類史上最大の文学作品コレクションを拒絶していた今日の私たちがどれほど愚かだったかを振り返ることを願う
サイトには専用ページがあり、料金を払えば全データセットを高速でダウンロードできる
MetallicaがNapsterを訴えたとき、多くの人の反応は「待って、音楽を無料でダウンロードできるの？」だった
GPUメーカーに利益をもたらしたり、OpenAIのように有料サービスで自分たちが稼いだりするからだ
地元の図書館もおそらく相互貸借システムに参加していて、全国のどの図書館の本でも無料でリクエストできるはずだ
LibGenはその2つよりはるかに小さな作品群へのアクセスを提供し、少し便利なだけだ。最大の違いは、著者にまったく報酬を与えないことだ。普通に本物の図書館へ行けばいい
誰もが大企業、とりわけMetaを嫌うのが好きで、これを処罰を主張する機会にしているように見える。
しかし、より賢明な方向は知的財産権法を変えようと主張することだ。
https://en.wikipedia.org/wiki/Aaron_Swartz#United_States_v._...
https://en.wikipedia.org/wiki/Aaron_Swartz#Death
Aaron Swartzは嫌がらせの末に自殺へ追い込まれたのに、これらの企業は自由に立ち去って何十億ドルも稼ぐことになる。すべてのテック企業CEOにSwartz式の扱いをしたうえで、法律を変えればいいと思う。
大企業は大きすぎるし、そもそも存在すべきではない。企業が最大級の州政府より強力になるなら、それは機能ではなくバグだ。
知的財産権法は見直しが必要かもしれない。だが、大企業が法の上にいるから法律をなくすべきだと言っても助けにはならない。まず大企業をなくし、その次に公正な法律を考えるべきだ。いま法律を変えても、これらの企業はすでに法の上にいるので何も変わらない。
とはいえ、彼らが燃えるべきなら、正しい理由で燃えるべきだ。一般に公開されるべきデータをダウンロードしたことは、その理由ではない。
MetaやZuckに文句を言っても無駄だ。Metaは設計どおりに振る舞っている。気に入らないなら、より多くの規制に投票すべきだ。
昔のクレイジーなインターネットの人々が、著作権法は厳しすぎるし、人類の知識へのアクセスをここまで制限することは、ごく少数の利益のために全員を後退させるものだと考えていたのを思い出す。
つまり、訴訟、懲役刑、数百万ドルの罰金が必要だ。それも海賊版の部分だけで、嘘や詐欺の部分もある。
興味深いことに、オランダのあるLLMプロジェクトは、海賊版電子書籍の山で学習したことを現地の著作権ロビーが知った後、中止を求められた。法廷で争えなかったのは残念だし、同じことをしたChatGPTや他のAI企業も、そのロビーが引きずり下ろせるのか見てみたかった。
何十億ドルものリソースがあるのに、その一部でも使って新しいデータをデジタル化しようとする人はいなかったのか？ Googleでさえそうしたのに。
自分の人生に不利益になる理想を実際に守る人は、信じがたいほどまれだ。
著作権コンテンツの違法ダウンロードと配布に加えて、記事ではMetaの従業員たちが証言でその事実について嘘をついたようにも見えると書かれている。
潜在的にはMark Zuckerberg本人も含まれる可能性がある。
軽い反応ではあるが、あまりにも多くの人が雇用創出者の祭壇を崇拝し、こういう人たちが道徳的で立派な市民だと信じている。
私がトレントでダウンロードしてシードしていたら、商業目的ではなく個人的な娯楽目的だったとしても、大手著作権者たちは私を追いかけてくるだろう。
Metaがやれば、より優秀な弁護士がいるから大丈夫なのか？ 興味深い判例になるかもしれない。
いまこの瞬間、Aaron Swartzのことが頭に浮かぶ。