ICMP провела двухлетнее расследование и заявляет о системном двойном стандарте: крупные IT-компании массово используют защищённые авторским правом материалы для обучения ИИ, но сами запрещают такие действия в своих правилах.
Директор ICMP Джон Фелан сказал: «Всё, что мы слышим от ИИ и IT-компаний: “Нам нужны исключения, чтобы строить открытый интернет и получать доступ к данным без лицензий.” Но на деле, они требуют от всех остальных письменного разрешения перед использованием их контента».
По информации Billboard, ICMP утверждает, что Google, Microsoft, Meta, OpenAI и X обучали свои ИИ-системы на защищённой музыке. ICMP называет произошедшее «крупнейшей кражей интеллектуальной собственности в истории» и утверждает, что ежедневно нарушаются права на «десятки миллионов произведений».
В досье ICMP содержится якобы очевидное доказательство — внутренние базы данных, анализ приложений Udio и Suno, которые скрейпили YouTube, и предположения, что Llama 3 от Meta училась на текстах песен The Weeknd и Эда Ширана. В материалах фигурируют суды против Anthropic (модель Claude выводила сотни текстов песен) и факты копирования песенных текстов Copilot от Microsoft и Gemini от Google.
Часть улик Billboard слабее других и основана на «признаниях» чат-ботов о применяемых данных, что не считается надёжным аргументом для суда. Тем не менее, есть много признаков масштабного использования защищённых датасетов ведущими и менее известными компаниями. В сфере текста продолжаются иски, среди которых дело New York Times против OpenAI, переговоры с Anthropic, а в музыке идёт процесс против Suno, в визуальных данных — против Midjourney.
По информации The Atlantic, как минимум 15,8 миллиона видео с YouTube были скачаны без согласия правообладателей и собраны в 13 наборов данных, почти миллион из них — обучающие ролики. YouTube, несмотря на нарушение собственных правил, не предпринял активных действий и отказался от комментариев. Для поиска конкретных видео в датасетах даже создан специальный инструмент.
The Atlantic пишет, что этими наборами обучались системы Microsoft, Meta, Amazon, Nvidia, Runway, ByteDance, Snap и Tencent. Meta, Amazon и Nvidia на запрос ответили, что уважают авторские права и считают свои действия законными. Особенно много пострадало образовательных и новостных каналов: у BBC 33 000 видео, у TED почти 50 000, сотни тысяч — у отдельных авторов. Runway, по утечке 404 Media, отбирал прежде всего видео с «красивой кинематографией», «высоким движением камеры» и «фантастикой высшего класса».
Создатели наборов HowTo100M, HD-VILA-100M и HD-VG-130M опирались на популярные или качественные видео. Долгие ролики разбивались на фрагменты, к ним автоматически или вручную добавлялись английские субтитры. Видео с водяными знаками обычно исключались.
Результаты уже используются: Meta разрабатывает Movie Gen для создания видео по тексту, Snap предлагает AI Video Lenses, Google Gemini анимирует фотографии и генерирует новые видео через Veo 3. Одновременно платформа обучает свои же ИИ на собственных данных — Google использует минимум 70 млн роликов с YouTube, Meta — свыше 65 млн из Instagram. Обычные авторы теперь вынуждены конкурировать с искусственным контентом на своих же площадках.
Исследование подчёркивает противоречие: компании требуют расширения исключений из авторского права для тренировки ИИ, но одновременно блокируют аналогичный доступ к своим платформам. ICMP выделяет пункты Facebook, YouTube, X, Google, OpenAI, Microsoft и Adobe, требующие письменного согласия для использования данных.
The Atlantic отмечает, что тезис компаний о невозможности раскрытия обучающих данных слаб: по изученным утечкам и архивам собранные материалы тщательно описаны метаданными — указывается исполнитель, жанр и темп. Это говорит о возможности детализированного анализа, как требует, например, закон ЕС.
*Meta – запрещённая в РФ организация.
