1,5 Milliarden US-Dollar: Die Rechnung für das KI-Training mit raubkopierten Textkorpora

Am 20. Juli Ortszeit genehmigte das Bundesgericht in San Francisco der Vereinigten Staaten endgültig die 1,5-Milliarden-Dollar-Urheberrechtsvereinbarung, die Anthropic mit der Gruppe der Autoren geschlossen hat.

Dies ist die bisher höchste bekannte Vergleichssumme in einem US-amerikanischen Urheberrechtsverfahren. Gemäß der Vergleichsregelung werden die entsprechenden Mittel zur Entschädigung der Rechtsinhaber von etwa 500.000 Werken verwendet, was durchschnittlich etwa 3.000 US-Dollar pro Werk entspricht. Über 91 % der betroffenen Autoren und Verlage haben bereits Entschädigungsanträge gestellt, und das Gericht hat gleichzeitig die Zahlung von über 101 Millionen US-Dollar an Anwaltsgebühren genehmigt.

1,5 Milliarden US-Dollar reichen aus, um eine äußerst verbreitete Schlussfolgerung zu ziehen: KI-Unternehmen haben für die Nutzung urheberrechtlich geschützter Werke zum Training von Modellen das teuerste Opfer in der Geschichte des US-Urheberrechts gezahlt.

Aber diese Schlussfolgerung ist möglicherweise nicht korrekt.

Die 1,5 Milliarden US-Dollar, die Anthropic gezahlt hat, sind eher eine hohe Abrechnung für die Beschaffung, Vervielfältigung und langfristige Speicherung von raubkopierten Sprachkorpora als eine „KI-Trainingsgebühr“.

Erstens: Das Gericht hat die faire Nutzung des KI-Trainings nicht verneint

Dieser Fall begann im Jahr 2024. Mehrere Autoren, darunter Andrea Bartz, Charles Graeber und Kirk Wallace Johnson, verklagten Anthropic und beschuldigten es, Millionen von Büchern aus „Schattenbibliotheken“ wie Books3, LibGen und PiLiMi herunterzuladen und einige der Werke zum Training des großen Modells Claude zu verwenden.

Während der Verhandlung des Falles hat das Gericht tatsächlich zwei Urteile gefällt, deren Richtungen nicht vollständig übereinstimmen.

Einerseits ist das Gericht der Ansicht, dass die Verwendung von Büchern durch Anthropic zum Training großer Sprachmodelle eine hohe Transformationskraft aufweist. Unter den spezifischen Tatsachen und Beweissituationen dieses Falles kann diese Trainingshandlung eine faire Nutzung nach dem US-amerikanischen Urheberrecht darstellen.

Mit anderen Worten: Dass das Modell durch das Lesen einer großen Anzahl von Werken Sprachregeln erlernt, bedeutet nicht automatisch eine Vervielfältigung und Ersetzung des Ausdrucks der Werke. Zumindest in dieser Entscheidung hat das Gericht die Behauptung nicht akzeptiert, dass die unbefugte Nutzung urheberrechtlich geschützter Werke zum Training von Modellen zwangsläufig eine Verletzung des Urheberrechts darstellt.

Andererseits ist das Gericht der Ansicht, dass Anthropic über 7 Millionen Bücher von Raubkopier-Websites heruntergeladen und gespeichert hat, um eine wiederverwendbare „Zentralbibliothek“ aufzubauen. Diese Vervielfältigungshandlungen können nicht automatisch den Schutz der fairen Nutzung erhalten, nur weil sie in Zukunft möglicherweise für das KI-Training verwendet werden.

Trainingszweck und Herkunft des Sprachkorpus sind zwei verschiedene Fragen.

Dass das KI-Training transformativ sein kann, bedeutet nicht, dass Unternehmen Trainingsmaterialien auf jede beliebige Weise beschaffen dürfen; dass die endgültige Verwendung rechtmäßig sein kann, kann auch nicht rückschließen, dass die vorgelagerten raubkopierten Downloads und Vervielfältigungen rechtmäßig sind.

Das ist genau die wichtigste rechtliche Trennlinie dieses Falles.

Zweitens: Der Kern, der mit 1,5 Milliarden US-Dollar gelöst wird, ist die Herkunft des Sprachkorpus

Wenn man die Handlungen von Anthropic aufteilt, umfasst der gesamte Fall mindestens vier verschiedene Gliederungen:

Massenweises Herunterladen von Büchern von Raubkopier-Websites;

Vervielfältigen der Bücher und Speichern in der unternehmenseigenen „Zentralbibliothek“;

Abrufen einiger Werke aus der Buchbibliothek zum Trainieren des Modells;

Generieren neuer Inhalte nach Abschluss des Modelltrainings.

In öffentlichen Diskussionen werden diese vier Gliederungen oft zusammenfassend als „KI-Training“ bezeichnet, aber das Urheberrecht wird diese Handlungen nicht als unteilbares Ganzes betrachten, nur weil sie derselben technischen Tätigkeit dienen.

Die Beschaffung des Sprachkorpus betrifft die Rechtmäßigkeit der Vervielfältigung;

Die Speicherung des Sprachkorpus betrifft den Zweck, die Dauer und die Notwendigkeit der Vervielfältigung;

Das Training des Modells betrifft die transformative Nutzung und ihre Auswirkungen auf den Markt der Originalwerke;

Die Generierung von Inhalten kann hingegen Ähnlichkeiten im Ausdruck, wesentliche Ersetzungen und Urheberrechtsverletzungen am Ausgang betreffen.

Anthropic hat in der Trainingsphase eine günstige Entscheidung erhalten, stand aber in der Phase der Beschaffung und Speicherung des Sprachkorpus vor enormen Risiken. Die beiden Parteien haben schließlich eine Vergleichsvereinbarung über 1,5 Milliarden US-Dollar geschlossen, gerade weil die gesetzliche Haftung für Schadenersatz, die sich aus der letzteren Phase ergeben könnte, äußerst beeindruckend ist.

Daher kann diese Vergleichsvereinbarung nicht einfach als „Die USA beginnen, Gebühren für das KI-Training zu erheben“ zusammengefasst werden, und noch weniger kann sie so verstanden werden, dass alle Unternehmen, die urheberrechtlich geschützte Werke zum Training von Modellen verwenden, eine Lizenzgebühr von 3.000 US-Dollar pro Werk zahlen müssen.

Die echte Warnung, die sie ausgibt, ist, dass die faire Nutzung bestimmte Nutzungsarten schützen kann, aber nicht die Herkunft von raubkopierten Sprachkorpora von Unternehmen reinwaschen kann.

Drittens: Die Vergleichssumme ist sehr hoch, aber es wurde kein einheitliches Präjudiz gebildet

Die Summe von 1,5 Milliarden US-Dollar hat eine starke symbolische Bedeutung, aber eine Vergleichsvereinbarung ist nicht gleichbedeutend mit einer gerichtlichen Entscheidung über Schadenersatz in Höhe von 1,5 Milliarden US-Dollar wegen Urheberrechtsverletzung.

Durch die Vergleichsvereinbarung vermeidet Anthropic, dass der Fall weiter in das Gerichtsverfahren eintritt, und hat damit nicht anerkannt, dass alle relevanten KI-Trainingshandlungen eine Urheberrechtsverletzung darstellen. Für die bestehenden Streitigkeiten im Rahmen der Vergleichsvereinbarung wird der Fall in die Phase der Entschädigungsverteilung und den Abschluss eintreten; aber einige Autoren und Verlage, die sich aus der Vergleichsvereinbarung zurückgezogen haben, können möglicherweise noch separate Klagen gegen Anthropic erheben.

Was noch wichtiger ist: Die vorherige Entscheidung, dass die Trainingshandlung eine faire Nutzung darstellt, ist nur eine Entscheidung des Bezirksgerichts auf der Grundlage der spezifischen Tatsachen dieses Falles und hat keine allgemein anwendbaren Regeln für alle generativen KI-Fälle in den Vereinigten Staaten aufgestellt.

Die Herkunft des Sprachkorpus, die Funktionen des Modells, die Ausgabemethoden, die Marktsubstitutionseffekte und die Arten von Rechten in verschiedenen Fällen können unterschiedlich sein. Die Schlussfolgerung des Falles über das Training von Büchern ist möglicherweise nicht direkt auf Musik, Bilder, Nachrichtenberichte, Computerprogramme oder Film- und Fernsehwerke anwendbar.

Daher hinterlässt diese endgültige Genehmigung gleichzeitig zwei scheinbar widersprüchliche, aber tatsächlich koexistierende Signale:

Erstens besteht nach wie vor Raum dafür, dass das KI-Training als faire Nutzung eingestuft wird;

Zweitens kann die Aufbauung einer Trainings-Sprachkorpus auf raubkopierte Weise ein Schadenersatzrisiko mit sich bringen, das das Überleben des Unternehmens bedrohen kann.

Dies ist nicht das Ende der KI-Urheberrechtsstreitigkeiten, sondern der Zeitpunkt, an dem das Urheberrechtsrisiko von der allgemeinen Frage „Kann man trainieren?“ schrittweise zu einer schichtweisen Prüfung des gesamten Lebenszyklus der Daten übergeht.

Viertens: Was KI-Unternehmen aufbauen müssen, ist nicht nur eine Liste von Urheberrechtslizenzen

In der Vergangenheit fragten sich viele Unternehmen bei der Bewertung des Risikos von Trainingsdaten zuerst: Stellt die Verwendung dieser Werke zum Training von Modellen eine faire Nutzung dar?

Der Fall Anthropic zeigt, dass diese Frage zu spät gestellt wird.

Vor der Beurteilung des Trainingszwecks müssen Unternehmen mindestens noch beantworten,

Woher stammen diese Daten? Verfügt die Download-Plattform über eine rechtmäßige Lizenz? Wurden technische Maßnahmen während des Beschaffungsprozesses umgangen? Wie viele Kopien speichert das Unternehmen? Bleiben die Originaldaten nach Abschluss des Trainings weiterhin erhalten? Wer hat jemals auf diese Daten zugegriffen, sie vervielfältigt und abgerufen? Kann das Unternehmen im Streitfall die Herkunft jeder Datencharge nachweisen?

Daher kann die Einhaltung des Urheberrechts für KI nicht nur eine „Liste von Daten, deren Verwendung verboten ist“ umfassen, sondern muss eine Beweiskette bilden, die den gesamten Lebenszyklus der Daten durchzieht: Herkunft ist nachvollziehbar, Rechte sind überprüfbar, Verwendungszwecke sind unterscheidbar, Speicherung ist kontrollierbar, Löschung ist nachweisbar.

Für Unternehmen, die Datensätze von Dritten beschaffen, reicht es bei weitem nicht aus, dass der Lieferant nur verspricht, dass „die Daten für das KI-Training verwendet werden können“. Der Vertrag sollte außerdem die Herkunft der Daten, den Umfang der Lizenz, die Fähigkeit zur Unterlizenzierung, den Schadenersatz für Urheberrechtsverletzungen, das Prüfungsrecht und die Verpflichtung zur Löschung problematischer Daten klar regeln.

Für Unternehmen, die quelloffene Sprachkorpora verwenden, bedeutet „öffentlich herunterladbar“ nicht, dass „das Urheberrecht bereits sauber ist“. Ob das Quelloffene die Zugriffsmethode auf den Datensatz oder das Urheberrecht der im Datensatz enthaltenen Werke betrifft, sind zwei völlig unterschiedliche Fragen.

Für Unternehmen, die bereits eine große Menge historischer Trainingsdaten angesammelt haben, ist die realistischere Maßnahme, so schnell wie möglich eine Bestandsaufnahme der Sprachkorpus-Vermögenswerte durchzuführen. Markieren Sie die Daten, die rechtmäßig gekauft, lizenziert, öffentlich autorisiert, aus dem Netz abgerufen und deren Herkunft unbekannt sind, separat, und ergreifen Sie Maßnahmen wie Isolierung, Ersetzung oder Löschung für hochriskante Daten.

Beurteilung von Zhichanli

Was am leichtesten zu merken ist am Fall Anthropic, ist die Zahl von 1,5 Milliarden US-Dollar.

Aber was die Art der Einhaltung von Vorschriften in der KI-Branche wirklich verändern könnte, ist nicht diese Zahl, sondern die Grenze, die das Gericht zwischen der Trainingshandlung und der Beschaffung des Sprachkorpus gezogen hat.

Was das KI-Modell lernen kann, und wie das KI-Unternehmen das Lernmaterial beschaffen kann, sind nicht dieselbe Frage.

Die Transformationskraft der Technologie kann Raum für eine faire Nutzung des Modelltrainings bieten; aber selbst der fortschrittlichste technische Zweck kann nicht automatisch ein Pass für raubkopierte Downloads und die unbefristete Speicherung urheberrechtlich geschützter Werke sein.

1,5 Milliarden US-Dollar sind keine einheitliche Preisliste für alle KI-Trainingshandlungen. Es ähnelt eher einer verspäteten Rechnung, wenn die Herkunft der Trainings-Sprachkorpus nicht erklärt werden kann, müssen Unternehmen am Ende möglicherweise keine Lizenzgebühr zahlen, sondern eine Abrechnung über die gesamte Art der Datenbeschaffung.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Zhichanli“ (ID: zhichanli), Autor: Shawn/MCP, veröffentlicht mit Genehmigung von 36Kr.