训练即一切:人工智能、版权和公平训练
通过建立一个带有内生内容创作和 AI 模型发展的动态模型,我们研究了公平使用标准和 AI 版权可保护性对人工智能发展、AI 公司利润、创作者收入和消费者福利的影响,并揭示了这些影响如何受到各种经济和运营因素的影响,为政策制定者提供了动态、具体背景的决策方法和为全球监管环境中的商业领导者提供了见解。
Feb, 2024
我们提出了一个框架,通过依靠现代生成型人工智能模型的概率性质和经济学中的合作博弈理论技术,按比例向版权所有者补偿其对人工智能生成内容的贡献,实现对生成型人工智能版权的解决。实验证明,我们的框架成功地识别了艺术品生成中使用的最相关的数据源,确保在版权所有者之间公平而可解释的收益分配。
Apr, 2024
这篇文献综述了生成人工智能领域中与版权侵权相关的问题,包括侵权检测的方法、保护版权作品的现有技术、评估侵权行为的资源和工具,以及 AI 相关法规和提案,从多个学科角度全面阐述了 AI 驱动内容和版权的意义和问题。
Mar, 2024
生成型 AI 技术对艺术家权益、内容制作、数据收集、隐私、信息准确性和知识产权等方面产生了法律和伦理问题,尤其在是否侵犯了人类创作者的知识产权方面引发了法律挑战。AI 模型生成的结果能否满足现行法律下侵权的法定标准,各个法院的早期判断并不一致。
Nov, 2023
大型生成型人工智能(GAI)模型可以生成逐渐无法区分是否人工生成的文本、图片、声音和其他形式的媒体。本文研究了训练数据的知识产权问题,重点关注生成模型的特性,探讨可能导致潜在知识产权侵犯的滥用行为,并提出了一个分类体系,对 GAI 中保护数据免受知识产权侵犯的技术解决方案进行系统评述。
Apr, 2024
从技术角度综述了版权保护,包括数据源权利保护和生成模型版权保护,探讨了数据所有者保护内容和合法利用 DGMs 的方法,以及防止模型盗取和识别特定模型生成结果的策略。同时,强调了现有技术限制和待开发领域,并讨论了版权保护对 Generative AI 可持续和道德发展的重要性。
Feb, 2024
人工智能和生成模型对知识工作产生了深远影响,探讨了创造力、原创性、抄袭、归属权等问题。通过文学批评、艺术史和版权法例子,指出创造力和原创性无法被界定为对象的信息熵属性,而是过程、作者或观众的属性。认为创造力最终由创作者和受众共同界定,在人工智能的创造性知识工作中,推动了知识工作从物质生产向批判性融合的转变。提出需更充分认识用户创造性和策展角色的问题,并远离简化的符号或信息熵观点。
Jul, 2023
本研究通过采用匿名调查和专家面谈的方式研究了如何在教育人工智能应用程序的开发过程中考虑公平性的挑战和需求,以及对数据挖掘和机器学习的推动作用,为实现更公平的教育人工智能应用程序提出了具体方向。
Jun, 2022
本文介绍了如何在学术写作中使用人工智能 (AI),并提供了一系列最佳实践,以确保在使用 AI 时不违反版权或落入公平使用的安全港。我们提供了一个框架,以确立健全的法律和学术基础。
May, 2023