ویکی‌پدیا در میانه میدان جنگ؛ وقتی غول‌های هوش مصنوعی به بن‌بست می‌خورند

وقتی دنیای آزاد به قضاوت می‌نشیند

در حالی که دعوای حقوقی نیویورک‌تایمز (The New York Times) علیه OpenAI و مایکروسافت (Microsoft) به یکی از داغ‌ترین ماراتن‌های حقوقی سیلیکون‌ولی تبدیل شده، حالا یک بازیگر کلیدی وارد گود شده است: بنیاد ویکی‌مدیا (Wikimedia Foundation). برای ما که در دنیای دیپ‌لرنینگ و مدل‌های زبانی زندگی می‌کنیم، این دخالت فقط یک ژست حقوقی نیست؛ بلکه هشداری است که نشان می‌دهد ستون فقرات دانش بشری، یعنی ویکی‌پدیا، نگران فروپاشی اکوسیستمی است که خودش یکی از معماران اصلی آن بوده است.

استفن لاپورت (Stephen LaPorte)، مشاور ارشد حقوقی ویکی‌مدیا، به خوبی می‌داند که اگر دادگاه با چکش سنگین خود به نفع یکی از طرفین رای دهد، چه فاجعه‌ای رخ می‌دهد. یا با یک حکم سخت‌گیرانه، جلوی پیشرفت مدل‌های زبانی گرفته می‌شود و یا با یک رایِ «استفاده منصفانه» (Fair Use) بی‌حدوحصر، وب به مجموعه‌ای از مدل‌های بسته تبدیل می‌شود که دیگر انگیزه‌ای برای تولید دانش جدید ندارند. این همان «جهش استدلالی» است که ویکی‌مدیا سعی دارد به قضات بفهماند؛ دنیای تکنولوژی به داده‌های باز نیاز دارد تا زنده بماند.

تلهِ «استفاده منصفانه»؛ مرز باریک میان پیشرفت و سرقت

بحث اصلی بر سر این است که آیا خزیدن (Scraping) محتوای سایت‌ها برای آموزش مدل‌های بزرگ زبانی (LLMs) ذیل مفهوم «استفاده منصفانه» قرار می‌گیرد یا نه؟ مایکروسافت و OpenAI مدعی‌اند که این سوختِ اصلیِ ماشینِ نوآوری است. اما ویکی‌مدیا نگاه ظریف‌تری دارد. آن‌ها معتقدند اگر مدل‌ها صرفاً برای یادگیری ساختار زبان و مفاهیم استفاده شوند، داستان متفاوت است با وقتی که مدل دقیقاً محتوای اصلی را بازتولید می‌کند.

مشکل از جایی شروع می‌شود که ایجنت‌های خودمختار و مدل‌های هوش مصنوعی، بدون هیچ‌گونه ارجاع به منبع، خروجی‌هایی می‌دهند که عملاً کپی‌پیستِ مقالات ویکی‌پدیا یا نیویورک‌تایمز است. این یعنی «هالوسینیشن» (توهم) در کنار «سرقت ادبی». ویکی‌مدیا به درستی اشاره می‌کند که اگر مدل‌ها نتوانند به منابع اصلی استناد کنند، آنگاه انگیزه تولیدکنندگان محتوا برای انتشار دانشِ رایگان در وب از بین می‌رود و این یعنی مرگ تدریجی دانشنامه آزاد.

استراتژی سومی که همه را شگفت‌زده کرد

پیشنهاد ویکی‌مدیا یک راه میانه است؛ چیزی که در بحث‌های حقوقی کمتر دیده شده. آن‌ها از تکنولوژی «تولید بازیابی‌محور» یا همان RAG (Retrieval-Augmented Generation) حمایت می‌کنند، اما با یک شرطِ بسیار مهم: ارجاعِ دقیق. از نظر آن‌ها، اگر مدل هوش مصنوعی به جای اینکه تمام دانش را در وزن‌های پارامتری خود دفن کند، بتواند به منابع معتبر دسترسی پیدا کند و آن‌ها را با ارجاع به کاربر نشان دهد، این یک پیروزی برای وب آزاد است.

این یعنی تغییر مسیر از مدل‌های «جعبه سیاه» به سمت سیستم‌هایی که شفافیت در زنجیره استدلال دارند. اما این سازمانِ پیشرو تاکید می‌کند که اگر RAG صرفاً بهانه‌ای باشد برای اینکه مدل‌ها مقالات را بدون ذکر نام نویسنده یا منبع تحویل کاربر بدهند، آنگاه این تکنولوژی نه تنها کمکی نمی‌کند، بلکه به «کورس رقابت غول‌ها» برای بلعیدن وب کمک خواهد کرد.

چرا این پرونده، سرنوشتِ ایجنت‌های آینده را تعیین می‌کند؟

ما در حال ورود به دورانی هستیم که ایجنت‌های هوش مصنوعی قرار است جایگزین جستجوگرهای سنتی شوند. اگر در این مسیر، مدل‌های بزرگ زبانی مجبور شوند به خاطر ترس از دادگاه‌های کپی‌رایت، دسترسی به داده‌های باکیفیت را از دست بدهند، شاهد کاهش چشمگیر کیفیت پاسخ‌ها خواهیم بود. از سوی دیگر، اگر اجازه دهیم شرکت‌های بزرگ بدون هیچ کنترلی هر چه در وب هست را ببلعند، دیگر وبِ بازی باقی نمی‌ماند که بخواهیم از آن چیزی یاد بگیریم.

بنیاد ویکی‌مدیا به عنوان یکی از بزرگترین تامین‌کنندگان داده برای آموزش مدل‌های GPT-4o یا Gemini 1.5، به خوبی می‌داند که بقای این مدل‌ها به بقای ویکی‌پدیا وابسته است. دادگاه نیویورک‌تایمز فقط درباره یک روزنامه نیست؛ درباره این است که آیا هوش مصنوعی در آینده «همکارِ وب» خواهد بود یا «قاتلِ وب». این لایحه حقوقی، یک فراخوان برای بازگشت به اصول اخلاقی در دیپ‌لرنینگ است؛ جایی که نوآوری نباید به قیمت نابودیِ «منبع» تمام شود.