近年來，人工智能在各行各業的應用日益普遍，包括文學領域。然而，最近的一項發現引起了作者們的關注：他們的書籍被未經同意用於訓練 AI。大型語言模型（LLM）技術近年來取得了巨大進展，但背後卻隱藏著版權爭議。科技巨頭使用大量的文本數據來訓練 LLM，這不可避免地涉及到版權作品，引起了作者和媒體機構的強烈抗議。最近，Meta 面臨了幾位作家的集體訴訟，包括喜劇演員 Sarah Silverman 和作家 Richard Kadrey。這起集體訴訟指控 Meta 使用包含大量盜版書籍的「Books3」數據集來訓練其 LLAM 1 和 LLAM 2 模型。Meta 承認使用了 Books3 數據集，但拒絕向作者支付適當的賠償。
Books3 數據集引發的版權問題
Books3 是一個包含 195,000 本書籍、總容量近 37GB 的文本數據集。它由 AI 研究員 Shawn Presser 於 2020 年創建，旨在為改進機器學習算法提供更好的數據源。然而，Books3 數據集是由盜版電子書組成的，其中大部分書籍在過去 20 年內出版。它是一個名為 The Pile 的更大項目的一部分，旨在為語言模型提供開源數據。該數據集向公眾開放，被多家公司使用。
作者公開表示不滿
數名作家報告稱，他們的書籍未經許可就被包括在 Books3 數據集中。公開表態的知名作者包括 Conor Kostick、Bart King、Lauren Groff、Bianca Turetsky 和 T. Greenwood。這些作者對他們的作品被用於 AI 訓練表示不滿，有些甚至威脅對相關負責人提起法律訴訟。這種未經授權使用 Books3 數據集的行為導致了幾起訴訟，作者們尋求對其作品的賠償和保護。作者協會積極為所有受影響的作者尋求保護和賠償。訴訟中提到，像 OpenAI 和 Books 這樣的公司從使用盜版書籍中獲利，卻未向作者提供賠償。
Meta 承認使用了 Books3 數據
Meta 自此承認使用了 Books3，但否認有意侵犯版權書籍。該公司聲稱，其使用 Books3 數據集的行為屬於合理使用的範圍。Meta 還表示，使用這些書籍不需要許可、署名或賠償。此外，Meta 正在挑戰這起訴訟作為集體訴訟的合法性，並拒絕向提起訴訟的作家或其他參與 Books3 爭議的人提供任何形式的財務「賠償」。值得注意的是，Books3 數據集中的一些內容來自盜版網站 Bibliotik。該數據集去年被丹麥反盜版組織 Rights Alliance 要求下架，目前面臨數字存檔禁令。
