NY Times está exigindo que todos os LLMs treinados com dados do Times sejam destruídos
O processo do New York Times contra a OpenAI e a Microsoft, que exige que modelos de IA treinados com artigos do Times sejam apagados, está provocando um conflito mais amplo sobre como o copyright se aplica aos grandes modelos de linguagem. Os კომენტadores debatem se treinar com texto protegido por copyright deve ser tratado como aprendizagem humana e fair use, ou como exploração em larga escala e sem compensação que prejudica criadores cujos trabalhos podem ser regurgitados literalmente. Muitos esperam que os tribunais se concentrem nas saídas do modelo e no impacto de mercado, e não apenas no treinamento, com desfechos prováveis que vão de licenciamento e royalties a limites mais rígidos que podem consolidar as grandes empresas de tecnologia e remodelar a forma como futuros sistemas de IA são construídos.
Escopo do Processo e a Exigência de “Destruir os Modelos”
- O tópico gira em torno do processo do NYT contra a OpenAI/Microsoft e de um pedido para que modelos treinados com conteúdo do Times sejam apagados.
- Vários comentários argumentam que os tribunais só podem ordenar medidas contra réus nomeados, não contra “todos os LLMs”, então o pedido de destruição ampla é em grande parte uma alavanca retórica.
- Outros veem o processo como uma resistência necessária, porque criadores individuais não podem arcar com litígios semelhantes.
Situação Jurídica do Treinamento em Material Protegido por Copyright
- É amplamente mencionado que a legalidade ainda está indefinida; espera-se que vários processos em andamento esclareçam se o treinamento é fair use.
- Um lado: treinar = ler/aprender; copyright restringe reprodução, não aprendizagem ou memorização de ideias. Foram feitas analogias com estudantes, mecanismos de busca e cache de ISP/navegador.
- O outro lado: LLMs são ferramentas comerciais, não humanos; tratá-los como pessoas é enganoso. Usar texto protegido por copyright em escala, com fins lucrativos e sem permissão, é visto como infração ou roubo.
- Há debate sobre se os pesos do modelo podem, por si só, ser “cópias” de obras se o modelo consegue emitir texto quase literal.
Saídas, Regurgitação e Possíveis Medidas
- Há amplo consenso de que a reprodução literal ou quase literal de texto com paywall ou protegido por copyright é legalmente arriscada.
- Soluções técnicas propostas: filtros pós-processamento comparando saídas com o texto do NYT; retreinamento sem dados do NYT; ou tornar os modelos incapazes de reproduzir passagens longas.
- Alguns argumentam que a infração deveria recair sobre saídas específicas e seus usuários, não sobre a mera existência do modelo.
Perspectivas Éticas e Econômicas
- Há uma forte divisão:
- Alguns veem os LLMs como plágio em escala industrial, prejudicando jornalistas, artistas e programadores, e favorecendo ainda mais a concentração de riqueza.
- Outros os veem como outra camada tecnológica (como videocassetes, industrialização ou processadores de texto) que se apoia na cultura anterior e, no fim, aumenta a produtividade.
Implicações Práticas e Estratégicas
- Retreinar sem o conteúdo do NYT é descrito como extremamente caro, quase como começar do zero.
- Licenciamento é visto por muitos como o desfecho provável, mas há preocupação de que isso crie um precedente que leve a muitas reivindicações semelhantes e favoreça grandes incumbentes com dados proprietários.
- Alguns sugerem modelos de domínio público ou esquemas mandatórios de licenciamento/royalties; outros propõem, de forma mais radical, obrigar que modelos ou até mesmo todas as obras publicadas estejam disponíveis para treinamento.