Bản tóm tắt vụ kiện của NYT tiết lộ: Các lãnh đạo Microsoft cho rằng việc thu thập dữ liệu AI là vụ trộm cắp lao động quy mô lớn nhất trong lịch sử nhân loại

Các tài liệu mới được giải mật trong vụ kiện bản quyền giữa The New York Times với OpenAI và Microsoft đã lộ diện. Theo TechCrunch, Hacker News và các nguồn tin khác, những tài liệu chưa qua chỉnh sửa tiết lộ rằng các giám đốc điều hành của Microsoft từng gọi cách làm của hai công ty trong việc huấn luyện AI là "hành vi trộm cắp", trong khi lãnh đạo OpenAI thừa nhận các mô hình của họ gây ra "mối đe dọa sinh tồn" đối với các nhà xuất bản và nhà báo có tác phẩm được sử dụng để huấn luyện. Tài liệu cũng mô tả chi tiết các thủ thuật như vượt qua tường phí (paywall) mà không bị phát hiện, xây dựng tập dữ liệu huấn luyện thông qua cào dữ liệu quy mô lớn, và loại bỏ các thông báo bản quyền khỏi dữ liệu huấn luyện. Lần đầu tiên, tài liệu tiết lộ rằng chỉ riêng tập dữ liệu huấn luyện trung hạn của OpenAI đã chứa hơn 91.692 bản sao các tác phẩm có bản quyền từ The New York Times, Daily News và Trung tâm Báo chí Điều tra. Một tập dữ liệu bắt nguồn từ Common Crawl chứa hơn 2 triệu tài liệu từ nytimes.com; dữ liệu của Project Mango đã được biên soạn thành tập dữ liệu huấn luyện chứa ít nhất 160.903 bản sao các tác phẩm độc quyền từ các nhà xuất bản tin tức. Trong một bản ghi nhớ nội bộ vào tháng 1 năm 2023, Brent Hecht, Giám đốc bộ phận Khoa học Ứng dụng của Microsoft, đã gọi đây là "vụ trộm quy mô lớn chưa từng có" và là "vụ trộm sức lao động lớn nhất trong lịch sử nhân loại".

Tài liệu cũng trích dẫn dữ liệu của chính Microsoft: "công cụ trả lời" Copilot của họ khiến tỷ lệ nhấp vào tên miền của The New York Times giảm tới 93% so với tìm kiếm Bing truyền thống. Trong một bài thuyết trình nội bộ vào tháng 1 năm 2024, Hecht mô tả sự sụt giảm này là một "vòng lặp hủy diệt" (doom loop), sẽ "đồng thời làm tổn hại hiệu suất của các mô hình của chúng ta và toàn bộ mạng lưới". CEO Satya Nadella của Microsoft trong lời khai đầu năm nay cho biết "bất kỳ nội dung nào sau tường phí đều nên được cấp phép", đồng thời khẳng định nếu biết trước OpenAI cào và huấn luyện thông tin từ sau tường phí, ông sẽ thực thi quyền của Microsoft để yêu cầu OpenAI huấn luyện lại mô hình. Nick Turley, người đứng đầu bộ phận ChatGPT của OpenAI, đã viết trong một thông tin liên lạc nội bộ rằng các nhà xuất bản đang đối mặt với "mối đe dọa sinh tồn" từ các sản phẩm như chatbot, vốn "có tính thay thế cao" và "sẽ ngày càng thay thế mạnh mẽ hơn khi chúng trở nên tốt hơn".

Ars Technica đưa tin, các tổ chức tin tức cáo buộc trong đơn kiện rằng Microsoft đã vi phạm "quy chuẩn ngành" khi bán các tập dữ liệu vốn được mua cho Bing để làm dữ liệu huấn luyện cho OpenAI mà không tham khảo ý kiến của các tổ chức tin tức. Họ cũng cáo buộc OpenAI đã lấy tập dữ liệu gồm 1,8 triệu bài báo của The New York Times từ bên thứ ba vốn bị ràng buộc bởi các thỏa thuận không được sử dụng cho mục đích thương mại; nhân viên OpenAI biết rằng việc sử dụng dữ liệu này để "huấn luyện mô hình là không phù hợp" nhưng vẫn thực hiện. The Verge đưa tin, người phát ngôn của Microsoft là Alex Haurek phản hồi rằng những phát biểu của Hecht "phản ánh quan điểm cá nhân của một nhân viên, không phải là phân tích pháp lý và không đại diện cho quan điểm của công ty". Một đại diện của OpenAI thừa nhận ông "không biết" về bất kỳ nỗ lực nào nhằm phát hiện hoặc loại bỏ nội dung sau tường phí trong dữ liệu huấn luyện. TechCrunch cho biết OpenAI và Microsoft chưa phản hồi yêu cầu bình luận.

The Decoder đưa tin, các nguyên đơn bao gồm The New York Times, tập đoàn Daily News, Ziff Davis, Trung tâm Báo chí Điều tra và The Intercept đã đệ trình bản tóm tắt phán quyết rút gọn chung dài 92 trang lên tòa án liên bang New York, yêu cầu bồi thường hàng tỷ USD. Bản tóm tắt này thuộc vụ kiện đa khu vực được hợp nhất, bắt đầu từ vụ kiện do The New York Times khởi xướng vào tháng 12 năm 2023.