[论文解读] Whose Text Is It Anyway? Exploring BigCode, Intellectual Property, and Ethics

Madiha Zahrah Choksi, David Goedicke|arXiv (Cornell University)|Apr 6, 2023

Law, AI, and Intellectual Property被引用 8

一句话总结

本论文分析开源数据训练的大型语言模型如何与软件版权产生互动，以 Copilot 为案例研究，并为开发者与法律专家提供版权分析框架。

ABSTRACT

Intelligent or generative writing tools rely on large language models that recognize, summarize, translate, and predict content. This position paper probes the copyright interests of open data sets used to train large language models (LLMs). Our paper asks, how do LLMs trained on open data sets circumvent the copyright interests of the used data? We start by defining software copyright and tracing its history. We rely on GitHub Copilot as a modern case study challenging software copyright. Our conclusion outlines obstacles that generative writing assistants create for copyright, and offers a practical road map for copyright analysis for developers, software law experts, and general users to consider in the context of intelligent LLM-powered writing tools.

研究动机与目标

• 定义软件版权及其历史发展与在开源数据和大模型中的相关性的总结。
• 考察开源许可和 Copilot 如何体现 AI 写作工具中的版权挑战。
• 识别在对开源代码进行训练并生成派生输出时出现的关键版权问题。
• 提出面向开发者、律师和普通用户的实际版权分析路线图。

提出的方法

• 回顾并综合软件版权与开源许可的历史。
• 将 Copilot 作为一个以开源数据为训练基础的闭源工具的案例研究。
• 突出在基于 LLM 的写作工具中的署名、许可和责任等法律与伦理张力。
• 提供一个针对训练数据、模型与生成输出的结构化版权分析框架。

实验结果

研究问题

• RQ1 以开源数据集训练的 LLM 如何与既有软件版权法交叉？
• RQ2 在像 Copilot 这样的 AI 写作工具中，对训练和使用开源代码会产生哪些版权、许可、署名与数据隐私问题？
• RQ3 开发者与法律专家应采取哪些实际步骤来评估生成写作助手的版权风险？

主要发现

• Copilot 显示出开源许可规范与专有训练及输出生成之间的张力。
• 署名、合理使用与许可合规在对多样化开源库进行训练的模型中构成重大挑战。
• 存在风险：用户通过 AI 写作工具生成的输出可能使其 inheriting 版权责任。
• 一个结构化的多部分版权分析路线图有助于评估许可审查、合理使用、署名冲突和数据隐私等因素。