IT之家 1 月 14 日消息，大型语言模型（LLM）技术近年来取得了巨大进步，但其背后却隐藏着版权纠纷的阴云。科技巨头们利用海量文本数据训练 LLM，其中难免会涉及到受版权保护的作品，招致作者和媒体组织的强烈抗议。
图源 Pexels
近日，Meta（前身为 Facebook）就因使用包含大量盗版书籍的“Books3”数据集训练其 LLAM 1 和 LLAM 2 模型而面临包括喜剧演员 Sarah Silverman 和作家 Richard Kadrey 在内的一众作者的集体诉讼。Meta 虽承认使用了 Books3 数据集，却拒绝向作者支付适当的补偿。
Books3 是一个包含 19.5 万本图书、总容量近 37GB 的文本数据集，由 AI 研究者 Shawn Presser 于 2020 年创建，旨在为改进机器学习算法提供更好的数据源。Meta 也将其用于训练自己的 LLAM 模型，然而 Books3 中包含大量从盗版网站 Bibliotik 爬取的受版权保护作品，使得 Meta 的行为面临法律风险。
IT之家注意到，Meta 的做法并非特例。此前，《纽约时报》也因 OpenAI 和微软使用其文章训练聊天机器人 ChatGPT 而对其提起诉讼。OpenAI 则辩称，不使用受版权保护的材料来训练 AI 模型“几乎不可能”，并要求法院驳回相关诉讼。Meta 同样否认故意侵犯版权，声称其使用 Books3 数据集属于合理使用范畴，无需获得许可、署名或支付补偿。
此外，Meta 还在对诉讼作为集体诉讼的合法性提出异议，拒绝向提起诉讼的作家或其他参与 Books3 争议的人士提供任何形式的经济“补偿”。
值得注意的是，Books3 数据集中的部分内容来自盗版网站 Bibliotik，该数据集在 2023 年被丹麦反盗版组织 Rights Alliance 要求下架，目前面临数字存档禁令。
