史蒂芬·金、扎迪·史密斯等人作品被用于训练人工智能

据介绍，扎迪·史密斯、史蒂芬·金等人的小说被纳入一个叫Book3的人工智能工具数据集，用于训练Meta旗下的大型语言模型LLaMA——这类语言模型中最著名的就是今年年初极受关注的OpenAI公司旗下ChatGPT。此外，该数据集还被彭博公司用于训练他们的模型BloombergGPT。

英国《卫报》的报道表示，Book3中包含的图书数据大约三分之一是小说，三分之二是非虚构作品，这些作品基本是过去二十年中出版的。除了以上已经列出的作品外，费兰特、阿特伍德、村上春树、乔纳森·弗兰岑等人的多部作品也包括其中。而已经输入到Meta等公司的语言模型中用于训练的数据也已包括了超过170000本书。

用于训练的图书覆盖的出版商十分广泛，包括企鹅兰登书屋、哈珀·柯林斯出版、麦克米伦、牛津大学出版社等。未来计划纳入的作品可能还包括约翰·麦克阿瑟、丽贝卡·索尔尼特 等人。

用于“喂养”这些模型的数据常来自开放网络，其中也包括Library Genesis、Zlibrary等影子图书馆，其中包含的大量图书资源成为大公司眼中绝佳的分析材料。2020年发布的一篇论文显示，OpenAI训练语言模型的数据来源中，有一个名为Book2的包含30万本图书的数据库。今年6月的一份诉讼案中提到，Book2的数据很可能就源自影子图书馆，而这些被纳入数据库的作品常常受到版权的保护。

ChatGPT等大型语言模型对作家版权的侵犯已经是一个被争论了许久的问题。今年7月，莎拉·西尔弗曼 、理查德·卡德雷 和克里斯托弗·戈尔登 三位作家就针对Meta的LLaMA提起诉讼，表示自己受版权保护的作品被Book3利用。

此前，作家莫娜·阿瓦德和保罗·特伦布莱也针对OpenAI提起诉讼，声称公司未经作者许可将他们的小说用于训练语言模型，侵犯了作者版权。两人的律师表示，对于大公司的语言模型来说，系统化的书籍是用于训练的最好选择，因为相较于自由散乱的网络在线数据，它们经过了高质量的编辑。当时的诉状称，OpenAI等公司从窃取来的原创想法中“不公平地获利”，理应向作者赔偿。然而，英国《卫报》的报道显示，两位作者很难证明自己因小说被用于语言模型训练而蒙受经济损失。

最初创建 Books3 的独立人工智能开发人员肖恩·普雷瑟在接受采访时表示，他理解作者们的担忧，但他创建这个数据集的目的恰恰是为了让任何人都可以开发生成式人工智能工具，避免大公司垄断技术的风险。Meta的发言人拒绝了就使用Book3发表评论。

人工智能对内容行业的冲击可能在未来很长一段时间里都是值得忧虑的课题。《洛杉矶时报》今年5月的一篇报道就梳理了ChatGPT等语言模型可能对文学、艺术创作者带来的多方面影响。文中提到，相较于职业的媒体工作者、专业作家等，缺乏工会保护的自由职业者、独立艺术家更需要受到关注，因为他们面对人工智能不经同意就利用其作品用于增强自身的行为几乎毫无反抗能力。

在侵权争议之外，人工智能还正在深度参与内容行业的审查工作。据《滚石》等杂志报道，美国已有学校的图书馆开始利用ChatGPT辅助图书中敏感内容的审查。ChatGPT判定出《追风筝的人》《使女的故事》等畅销书包含对性行为的“描述”并建议其下架。然而，后续的多次验证也说明这种判定有其不稳定性。