Duomenų orumas: nemokamų pietų pabaiga dirbtinio intelekto mokyme
Didžiausias apiplėšimas istorijoje
Pavadinkime pirmąją generatyvaus dirbtinio intelekto fazę tuo, kuo ji iš tikrųjų buvo: didžiausiu vertės pasisavinimo aktu žmonijos istorijoje.
Tarp 2018 ir 2024 metų saujelė Silicio slėnio įmonių paleido viso interneto mastu veikiančias žiniatinklio naršymo robotų armijas. Šie robotai surijo viską: kiekvieną kada nors suskaitmenintą knygą, kiekvieną kada nors paskelbtą straipsnį, kiekvieną kada nors įkeltą nuotrauką, kiekvieną kada nors parašytą forumo įrašą, kiekvieną kada nors „GitHub“ pasidalytą kodo eilutę, kiekvieną dainos tekstą, kiekvieną daktaro disertaciją, kiekvieną asmeniniame tinklaraštyje paskelbtą meilės laišką.
Jie tai darė neprašydami leidimo. Jie tai darė nesuteikdami jokios kompensacijos. Jie tai darė net nepripažindami šaltinio.
Paskui jie paėmė visą šią pasisavintą vertę, suspaudė ją į matematinius svorius ir sukūrė patentuotus produktus, kuriuos pardavė už šimtus milijardų dolerių. Žmonės, sukūrę tą vertę, negavo nieko. Įmonės, kurios ją pasisavino, tapo vertingiausiomis įmonėmis planetoje.
Tai nebuvo inovacija. Tai buvo industrializuotas autorių teisių arbitražas, vykdytas neregėtu mastu.
Tačiau nemokami pietūs baigiasi. Kūrėjai pradeda priešintis. O teisiniai, etiniai ir ekonominiai pasisavinimo modelio pamatai byra.
The Legal Walls Rising
The legal foundations of the extraction model were always questionable. AI companies argued that training on copyrighted material constituted "fair use" because the model "transforms" the data rather than copying it directly. They claimed this was analogous to a human reading books in a library.
This argument is failing in courts worldwide.
The New York Times Lawsuit
The New York Times lawsuit against OpenAI and Microsoft, filed in December 2023, was the opening salvo of what promises to be years of litigation. The lawsuit demonstrated that ChatGPT could reproduce copyrighted Times articles nearly verbatim. It showed that the model could bypass paywalls by summarizing articles so completely that users had no reason to visit the original source.
This is not "transformation." This is market substitution. When an AI can replace the function of a newspaper subscription, the fair use defense collapses.
The Artist Rebellion
Visual artists were among the first to recognize the threat. Image generators trained on billions of artworks could replicate individual artists' styles with devastating precision. A prompt like "in the style of [living artist]" could produce unlimited works that competed directly with the original creator's livelihood.
Class action lawsuits on behalf of visual artists are now working through the courts. But artists didn't wait for legal resolution. They developed technical countermeasures.
Tools like Glaze and Nightshade add imperceptible perturbations to images that poison AI training. A scraped image appears normal to humans but causes model degradation or unpredictable outputs. It's a digital form of booby-trapping content, and it's spreading rapidly.
The Platform Lockdown
Major platforms have closed their doors to AI training. Reddit, which was one of the largest sources of conversational training data, now charges prohibitive fees for API access. Twitter/X blocked AI crawlers entirely before reversing course and monetizing access. Stack Overflow implemented strict terms against AI training on their programming Q&A.
The "open web" that AI companies relied upon is becoming a patchwork of walled gardens, each extracting tolls from any AI that wants access.
Data Dignity: A Different Philosophy
At Dweve, we embrace the concept of Data Dignity, a term popularized by computer scientist Jaron Lanier. The principle is straightforward: if your data contributes to the value of an AI system, you deserve a share of that value.
This is not charity. This is not even ethics for its own sake. This is the foundation for a sustainable AI economy.
The extraction model was never economically sound. It depended on a temporary legal gray zone and the practical inability of millions of individual creators to enforce their rights. As both conditions change, companies built on extraction face existential risk.
A model built on dignity, by contrast, creates aligned incentives. Creators are motivated to contribute their best work because they're compensated for it. AI companies get access to higher-quality data because they're paying for curation and verification. Users get better results because the training data is superior.
The Dweve Architecture for Data Dignity
Our approach to data dignity isn't just a policy position. It's built into our technical architecture.
The Spindle Knowledge Pipeline
Dweve Spindle implements a seven-stage epistemological pipeline that tracks every piece of knowledge from origin to deployment:
- Candidate: Raw information is identified and tagged with source metadata
- Extracted: Structured information is extracted with provenance preserved
- Analyzed: Content is decomposed into atomic facts with licensing status verified
- Connected: Facts are linked to the knowledge graph with attribution chains
- Verified: Multi-source validation confirms accuracy and legal status
- Certified: Quality assurance confirms compliance with data dignity requirements
- Canonical: Verified knowledge becomes AI-ready with full provenance
This pipeline means we can trace any piece of knowledge in our system back to its original source. We can prove licensing status. We can identify which creators contributed to any given output.
The 456 Domain-specialist Constraint Sets
Dweve Loom's architecture of 456 specialized constraint sets enables granular licensing and compensation. Each domain specialist represents a distinct domain of knowledge with its own data sources and licensing arrangements.
When the Legal Domain specialist (German Contract Law) processes a query, we know exactly which legal publishers and law firms contributed to that capability. When the Medical Domain specialist (Oncology) provides information, we can trace back to the medical journals, clinical databases, and research institutions that provided the knowledge.
This granularity enables sophisticated revenue sharing. Instead of vague claims about "training on the internet," we can calculate precisely how much each data source contributed to each capability.
Sąžiningos prekybos duomenų turgavietė
Kuriame infrastruktūrą naujai duomenų ekonomikai. Įsivaizduokite tai kaip „Fair Trade“ sertifikavimą dirbtinio intelekto mokymo duomenims.
Duomenų teikėjams
Leidėjai, universitetai, mokslo institucijos ir srities ekspertai gali registruoti savo turinį mūsų platformoje. Jie nustato licencijavimo sąlygas. Jie nustato kainą. Jie išlaiko kontrolę.
Kitaip nei taikant išgavimo modelį, kai jų turinys buvo tiesiog paimamas, jie tampa aktyviais dirbtinio intelekto ekonomikos dalyviais. Jie gali pasirinkti, kurios DI programos gali naudoti jų duomenis, kokiomis sąlygomis ir už kokią kainą.
Aukštos kokybės duomenys užtikrina aukštesnes kainas. Akademinis leidėjas, turintis griežtai recenzuojamų tyrimų, gali prašyti daugiau nei turinio fabrikas, kuriantis paieškos sistemoms pritaikytą sensacingą turinį. Rinka atlygina už kokybę.
DI kūrėjams
Įmonės, kuriančios DI programas, gauna prieigą prie teisiškai aiškių mokymo duomenų su dokumentuota kilme. Jos gali reguliavimo institucijoms, draudikams ir teismams įrodyti, iš kur tiksliai gauti jų mokymo duomenys ir kad jos turėjo teisę juos naudoti.
Tai pašalina didėjančią teisinę riziką, susijusią su modeliais, apmokytais naudojant nuskaitytus duomenis. Tai taip pat atveria prieigą prie žinių „tamsiosios medžiagos“, didžiulių aukštos kokybės informacijos saugyklų, kurios niekada nebuvo prieinamos atvirame žiniatinklyje: įmonių archyvų, už mokėjimo sienos esančių tyrimų, privačių duomenų bazių.
Galutiniams naudotojams
Naudotojai gauna geresnius rezultatus, nes DI yra apmokytas naudojant aukštesnės kokybės, kruopščiai atrinktus duomenis, o ne atvirojo interneto triukšmą. Jie taip pat gauna priskyrimą: kai mūsų sistema pateikia informaciją iš licencijuotų šaltinių, galime nurodyti tuos šaltinius, taip įgalindami patikrą ir gilesnį tyrinėjimą.
Kokybės virš kiekybės ekonomika
Kritikai teigia, kad mokėjimas už duomenis daro DI kūrimą ekonomiškai nepagrįstą. Jie tvirtina, kad norint apmokyti pajėgius modelius reikia „viso interneto“.
Tai atspindi pasenusį 2020-ųjų „didžiųjų duomenų“ eros mąstymą. Naujausi tyrimai įtikinamai parodė, kad duomenų kokybė yra kur kas svarbesnė nei duomenų kiekis.
Įvertinkime skaičius. Mokant GPT-3 prireikė maždaug 45 terabaitų suspausto teksto. Didžioji jo dalis buvo žemos kokybės žiniatinklio duomenų rinkimas: komentarų skiltys, šiukšlės, pasenusi informacija, faktinės klaidos ir visiška nesąmonė.
Modelis, apmokytas naudojant 500 gigabaitų kruopščiai atrinkto, aukštos kokybės vadovėlių ir akademinio turinio, gali prilygti modeliams, apmokytiems naudojant 100 kartų daugiau duomenų, arba juos pranokti. Kruopščiai atrinktų duomenų signalo ir triukšmo santykis yra tiesiog toks daug didesnis.
Mokėdami už duomenis, įgyjame prieigą prie turinio, kuris niekada nebuvo prieinamas duomenų rinkėjams: medicininės literatūros už leidėjų mokėjimo sienų, finansinių tyrimų privačiose duomenų bazėse, pramoninių žinių įmonių archyvuose. Ši „tamsioji medžiaga“ yra švaresnė, tankesnė ir vertingesnė už bet ką, kas yra atvirame žiniatinklyje.
Ekonomika iš tikrųjų palankiai vertina orumo modelį. Mokame daugiau už baitą, bet mums reikia gerokai mažiau baitų. Gauname prieigą prie aukščiausios kokybės šaltinių, kurių grandikliai niekada nepasiekia. Ir pašaliname teisinę atsakomybę, kuri dabar kelia grėsmę ekstrahavimu pagrįstoms įmonėms milijardinėmis galimomis žalomis.
Įmonių būtinybė
Įmonių klientams duomenų orumas nėra pasirinkimas. Tai rizikos valdymo reikalavimas.
Didžiosios organizacijos susiduria su milžiniška atsakomybės rizika dėl dirbtinio intelekto sistemų, apmokytų naudojant abejotinus duomenis. Rinkodaros skyrius, naudojantis vaizdų generatorių, apmokytą ant nukopijuotų meno kūrinių, susiduria su galimais autorių teisių pažeidimo ieškiniais. Teisės skyrius, naudojantis kalbos modelį, apmokytą ant užkardyto turinio, susiduria su intelektinės nuosavybės rizika. Sveikatos priežiūros organizacija, naudojanti modelį, kuris negali įrodyti savo mokymo duomenų kilmės, susiduria su reguliacine rizika.
Ieškiniai artėja. „Getty Images“ padavė į teismą „Stability AI“. „The New York Times“ padavė į teismą „OpenAI“. Autorių gildijos organizuoja grupės ieškinius. Galima žala siekia milijardus.
Organizacijos, naudojančios „Dweve“ sistemas, gali tiksliai parodyti, iš kur gauti mūsų mokymo duomenys ir kad turėjome tinkamas licencijas visiems jiems. Ši švari kilmė yra verta kur kas daugiau nei bet koks nežymus galimybių padidėjimas iš nukopijuotų duomenų.
Atribucija ir žinių ekonomika
Be kompensacijos, duomenų orumas reikalauja atribucijos. Kai mūsų sistemos teikia informaciją, gautą iš licencijuotų šaltinių, mes nurodome tuos šaltinius.
Taip sukuriamas teigiamas ciklas. Vartotojai gali patikrinti informaciją, pasitikrindami pirminius šaltinius. Jie gali giliau tyrinėti temas, sekdami nuorodas. Srautas grįžta turinio kūrėjams, atkurdamas sulaužytą socialinę žiniatinklio sutartį.
Mūsų 456 domeno specialistų apribojimų rinkiniuose „Dweve Loom“ kiekviena žinių dalis turi kilmės grandinę. Kai medicinos domeno specialistas pateikia informaciją apie retą ligą, galime parodyti, kurie medicinos žurnalų straipsniai lėmė tą atsakymą. Kai teisės domeno specialistas paaiškina reguliacinį reikalavimą, galime nurodyti įstatymų šaltinius.
Tai ne tik gera etika. Tai geras produkto dizainas. Vartotojai labiau pasitiki sistemomis, kai gali patikrinti teiginius. Įmonės renkasi sistemas, kurios gali parodyti savo samprotavimą. Atribucija kuria pasitikėjimą.
Ateitis, kurią kuriame
Išgavimo era baigiasi. Tai, kas ateis po jos, sprendžiama dabar.
Vienas kelias veda į užnuodytą bendruomenės erdvę. Kūrėjai imasi vis agresyvesnių apsaugos priemonių. Mokymo duomenų kokybė prastėja. Dirbtinio intelekto plėtra stringa arba tampa kelių įmonių, turinčių paveldėtų duomenų pranašumą, reikalu.
Kitas kelias veda į tvarią žinių ekonomiką. Kūrėjai gauna kompensaciją už savo indėlį. Kokybiški duomenys prieinami tiems, kurie nori už juos sąžiningai mokėti. Dirbtinio intelekto plėtra tęsiasi plačiai dalyvaujant ir paskirstant naudą.
„Dweve“ kuriame infrastruktūrą antrajam keliui. Mūsų 96 % energijos sumažinimas įrodo, kad efektyvus dirbtinis intelektas yra įmanomas. Mūsų 100 % paaiškinamumas įrodo, kad skaidrus dirbtinis intelektas yra pasiekiamas. Mūsų duomenų orumo architektūra įrodo, kad etiškas dirbtinis intelektas yra praktiškas.
Tikime, kad elgtis su duomenų kūrėjais oriai yra ne tik moralu. Tai ekonomiškai pranašesnis sprendimas. Tai sukuria geresnį dirbtinį intelektą, apmokytą geresniais duomenimis, su švaresniu teisiniu statusu ir tvariomis ekonomikos sąlygomis.
Nemokamų pietų metas baigėsi. Klausimas, kas ateis toliau. Mes kuriame alternatyvą.
Pasiruošę kurti dirbtinį intelektą ant duomenų orumo pagrindo? „Dweve“ sąžiningos prekybos duomenų rinka užtikrina teisinį aiškumą, aukštesnės kokybės mokymo duomenis ir tvarią ekonomiką. Susisiekite su mumis, kad sužinotumėte, kaip duomenų orumas gali tapti jūsų konkurenciniu pranašumu.