Meta требует отклонения иска о нарушении авторских прав на порнографию из-за обвинений в обучении ИИ

Meta попросила федеральный суд США отклонить иск, обвиняющий ее в незаконной загрузке и распространении тысяч порнографических видео для обучения своих систем искусственного интеллекта. Компания подала ходатайство об отклонении иска в понедельник в Окружной суд США для Северного округа Калифорнии, утверждая, что нет доказательств того, что ее модели ИИ содержат или были обучены на защищенном авторским правом взрослым материале. Meta описала обвинения как «абсурдные и неоправданные», настаивая на том, что эти утверждения полностью беспочвенны.

Первоначальные обвинения Strike 3 Holdings

Жалоба была первоначально подана в июле компанией Strike 3 Holdings, базирующейся в Майами и занимающейся производством фильмов для взрослых под брендами Vixen, Blacked и Tushy. Компания обвинила Meta в использовании как корпоративных, так и скрытых IP-адресов для загрузки почти 2,400 своих фильмов с 2018 года. Strike 3 утверждала, что эти загрузки являются частью более широкой работы по созданию мультимодальных ИИ-систем, способных обрабатывать визуальные и текстовые данные.

Вопрос о масштабе и схеме загрузок

МOTION Meta оспаривает логику теории Strike 3, указывая на несоответствия в масштабе и паттерне предполагаемых загрузок. Согласно судебным документам, только 157 фильмов Strike 3 якобы были загружены с использованием корпоративных IP-адресов Meta за семилетний период — в среднем около 22 фильмов в год по 47 адресам. Адвокат Meta Энджела Л. Даннинг охарактеризовала данную деятельность как “скромную, несогласованную” и вероятно, результат “разрозненных индивидуумов”, скачивающих контент для личного использования, а не как какую-либо согласованную корпоративную попытку собрать обучающие данные для систем ИИ.

Спорные IP-адреса и недостаток доказательств

Заявление также оспаривает утверждение Strike 3 о том, что Meta использовала более 2500 скрытых или сторонних IP-адресов. Meta утверждает, что истцы не смогли подтвердить право собственности на эти адреса и вместо этого опирались на слабые корреляции. Один из диапазонов IP, якобы связанный с Meta, на самом деле был зарегистрирован на гавайскую некоммерческую организацию, не имеющую никакого отношения к компании, в то время как другие не имели идентифицируемого владельца вообще. Meta далее утверждает, что у нее не было знания о каких-либо предполагаемых загрузках и возможности предотвратить их, подчеркивая, что она не получила никакой выгоды от них и что постоянный мониторинг сети был бы как технически сложным, так и юридически ненужным.

Правовые и стратегические последствия

Юридические эксперты предполагают, что стратегия защиты Meta, хотя и необычна, может иметь значительный вес. Дермот МаГрат, соучредитель венчурной капитальной фирмы Ryze Labs, сказал Decrypt, что выбор Meta отрицать использование материала вообще позволяет избежать сложностей, связанных с аргументацией добросовестного использования или раскрытия внутренних процессов обучения. По словам МаГрата, признание того, что такие данные использовались, заставило бы Meta оправдывать их включение и открывать свои ИИ-системы внешней проверке.

Потенциальная лазейка для будущих дел

МкГрат предостерег, что если суд примет линию защиты Meta, это может создать прецедент с далеко идущими последствиями. Решение в пользу Meta может создать лазейку, которая ослабит защиту авторских прав в будущих делах, связанных с ИИ, что сделает труднее доказать корпоративный умысел или направление в использовании данных. В результате компании могут стать еще более искусными в сокрытии своих методов сбора данных.

Законные способы использования откровенного материала в ИИ

Несмотря на споры, эксперты признают, что существуют законные причины, по которым компании по разработке ИИ могут работать с откровенным материалом. Многие фирмы разрабатывают инструменты безопасности и модерирования, предназначенные для обнаружения и блокировки вредоносного или порнографического контента. Макграт объяснил, что «красные команды» ИИ часто обучают эти фильтры безопасности, используя откровенные примеры, позволяя системам распознавать и предотвращать генерацию такого материала. «Чтобы создать эффективные фильтры безопасности», - отметил он, - «вам необходимо обучать эти фильтры на примерах того, что вы пытаетесь заблокировать.»