In de afgelopen maanden is het aantal spelers op de markt voor chatbots zoals ChatGPT explosief toegenomen. Of het nou Claude, Bing of Harvey heet, ieder (tech)bedrijf zoekt een manier om op de Large Language Model-trein te springen. Dit is ook het geval voor de open source wereld, waarin vele hobbyprogrammeurs over elkaar heen springen om steeds betere en complexere modellen de wereld in te gooien. Het tempo van innovatie kan ondertussen eigenlijk wel absurd worden genoemd. Iedere dag zijn er weer nieuwe papers te lezen en nieuwe modellen te gebruiken waardoor de taalmodellen steeds beter worden.
Een van de belangrijkste innovaties van de afgelopen paar maanden was de ontdekking dat deze GPT-modellen van elkaar kunnen leren1. Door bijvoorbeeld ChatGPT op een slimme wijze uit te vragen is het mogelijk om de eigenschappen en kennis van ChatGPT over te dragen naar open source modellen. Op deze manier kan iedereen voortbouwen op de innovaties van anderen. Met deze techniek is het goedkoper dan ooit om een fatsoenlijk taalmodel te trainen en te gebruiken voor allerlei al dan niet commerciële toepassingen. Er zijn al bedrijven die gebruik maken van open source modellen om chatbots te verkopen.
Dat OpenAI, de maker van ChatGPT, hier niet blij mee zou zijn was wel te verwachten. Het kwam dan ook niet als verrassing dat OpenAI, Microsoft en Google begin deze maand hebben aangekondigd dat het niet langer toegestaan is om hun modellen te gebruiken voor het trainen van andere modellen2. Dit nieuwe beleid hebben ze geïncorporeerd in hun algemene voorwaarden. De vraag is dan wel wat dit gaat betekenen voor ons allen. Naast de vraag wat dit met innovatie doet in de open source ruimte is er ook een juridische vraag voor gebruikers. Want als je als bedrijf een commerciële chat bot inkoopt die gebouwd is op een open source model; en wanneer dat model geleerd heeft van ChatGPT, in hoeverre ben je dan juridisch kwetsbaar?
Het is belangrijk om op te merken dat het verdere trainingsverbod is opgenomen in de algemene voorwaarden van OpenAI en anderen. Deze voorwaarden hebben dan ook alleen betrekking op de partijen die eventueel een model verder trainen; en kunnen niet derde partijen bij het verbod betrekken. Als een commercieel bedrijf een taalmodel traint op basis van ChatGPT, dan is alleen dát commerciële bedrijf in overtreding en niet diens klanten. Contractueel zitten gebruikers dus safe.
Auteursrecht
Maar de vraag is vooral in hoeverre OpenAI beschermd wordt op grond van het auteursrecht en andere intellectuele eigendomsrechten. Het moeilijke daarvan is dat het auteursrecht eigenlijk niet gebouwd is voor een creatie zoals een taalmodel. Het auteursrecht is gemaakt voor geschreven boekwerken, gemaakte muziek en andere creatieve voortbrengselen van de menselijke geest. Een large language model, wat bestaat uit allemaal ‘neuronen’ die patronen herkennen en labeltjes toekennen aan woorden en concepten; dat past niet helemaal binnen de kaders die we kennen. Dus in hoeverre kan het auteursrecht taalmodellen beschermen?
Om bij het begin te beginnen: een auteursrechtelijk werk is ieder voortbrengsel van letterkunde, wetenschap of kunst, op welke wijze of in welke vorm het ook tot uitdrukking is gebracht. Het werk dient een eigen oorspronkelijk karakter te hebben en het resultaat te zijn van creatieve keuzes. Bij taalmodellen is vooral problematisch in hoeverre er sprake is van creatieve keuzes om het model tot stand te laten komen.
De keuze hoe interne neuronen en labels zijn georganiseerd heeft weinig met creativiteit te maken en meer met feitelijke en technische keuzes. Dat een taalmodel opmerkt en labelt dat in een zin na een onderwerp vaak een werkwoord volgt, dat is een feitelijke observatie. Dat heeft weinig te maken met creatieve keuzes. Hetzelfde is het geval als een model opmerkt dat Koningin Wilhelmina de Koningin van Nederland was; dat is ook een feitelijke constatering. Natuurlijk maken de makers van taalmodellen hierbij keuzes en zullen sommige modellen het daardoor beter of slechter doen, maar dit betreffen slechts rationele wetenschappelijke keuzes en weinig schepping vanuit de creativiteit.
Het is dan ook niet waarschijnlijk dat de labels in een large language model beschermd kunnen worden door het auteursrecht. Een analogie hiervoor is ook in de rechtspraak te vinden. Een tijd terug was er een zaak over een docent die een nieuw economieboek wilde schrijven en daarvoor alle kopjes uit een al bestaand economieboek had overgenomen. De teksten tussen de kopjes had de docent zelf opnieuw geschreven en bevatte niks wat gekopieerd was uit het origineel. Tijdens het proces kwam de vraag op in hoeverre dit boek een doorzetting was van het originele werk. Uiteindelijk werd er geoordeeld dat dit geen inbreuk opleverde, omdat de kopjes slechts een logische uiteenzetting betrof van het economische vak. Sterker nog, de kopjes volgden het curriculum zoals het was uiteengezet door de overheid; dus de auteur had geen ruimte om hiervan af te wijken. Door het gebrek aan creatieve keuzes was er dus geen sprake van een auteursrechtelijk beschermd werk (voor wat betreft de kopjes).
Databankenrecht
Het auteursrecht biedt dus waarschijnlijk geen bescherming aan taalmodellen, maar kan het databankenrecht misschien soelaas bieden? Een databank is een verzameling van gegevens die systematisch geordend zijn en waarbij het maken daarvan een substantiële investering nodig had.3 Het recht heeft als doel bedrijven te beschermen die met veel geld en moeite een databank of dataset maken; zodat niet iedereen daar zonder compensatie zomaar mee vandoor kan gaan.
Large Language Models passen best goed binnen die definitie. Ze zijn heel anders opgebouwd dan traditionele databases waarvoor de wet is gemaakt, maar de definitie is breed genoeg dat zo een taalmodel er waarschijnlijk wel onder valt. Het concept ‘substantiële investering’ is niet exact vastgelegd in de wet, maar gezien de enorme financiële investering en moeite die bedrijven als OpenAI en Google hebben gestoken in de ontwikkeling van taalmodellen vallen deze vrijwel zeker onder de beoogde beschermingsruimte.
Maar zelfs als taalmodellen onder het databankenrecht vallen is nog maar de vraag of dit recht ook beschermt tegen de manier waarop andere modellen daarvan leren. Het databankenrecht beschermt op twee wijzen tegen het maken van kopieën van de databank.4 Ten eerste beschermt het tegen het maken van een gehele kopie; en ten tweede beschermt het tegen het maken van een kopie van een ‘substantieel deel’. Het overnemen van kennis en vaardigheden van taalmodellen ziet op dat tweede, maar er is niet echt sprake van het maken van letterlijke kopieën.
Wanneer een open source taalmodel leert van ChatGPT dan stelt deze vragen aan ChatGPT net zoals wij dat zelf ook doen. Het zegt niet: “geef mij een lijst van al je labels en neuronen”, maar het stelt simpelere vragen zoals: “Geef het proces weer van de evolutietheorie”; of: “Vertel mij hoe een koelkast werkt”. ChatGPT geeft hierop dezelfde antwoorden zoals het doet aan iedere andere gebruiker. Het open source taalmodel analyseert deze antwoorden en leert hieruit de kennis en patronen hoe het antwoord in elkaar steekt. Hierdoor leert het langzaamaan hoe het ChatGPT kan nabootsen. Is dit te kwalificeren als het maken van een kopie? Ik durf dat niet met vertrouwen te zeggen.
Wat het antwoord op de vraag ook is, het zal OpenAI niets helpen. Het databankenrecht beschermt alleen databanken opgezet door bedrijven in de Europese Unie. OpenAI is tot de dag van vandaag alleen een Amerikaans bedrijf en geniet dan ook geen bescherming op basis van dit recht. Toch biedt het databankenrecht kansen voor bescherming van commercieel ontwikkelde GPT-modellen.
Conclusie
De ontwikkelingen van de afgelopen maanden laten zien dat het mantra van Silicon Valley “Go fast and break things” vol in leven is. Voor een tijd leek het alsof de voorsprong van OpenAI zo groot was dat niemand ze meer in zou kunnen halen; en nu korte tijd later is dat vertrouwen verdampt. De schrik zit erin en OpenAI en Google doen de ophaalbrug naar boven om hun koninkrijk te beschermen. Of het genoeg is, is nog maar de vraag. Want met zulke rappe ontwikkelingen is het onmogelijk om te zeggen wie morgen de kroon van beste language model draagt.
1 https://arxiv.org/abs/2212.10560
2 https://www.businessinsider.com/openai-google-anthropic-ai-training-models-content-data-use-2023-6?international=true&r=US&IR=T
3 Artikel 1 lid 1 onder a Databankenwet.
4 Artikel 1 lid 1 onder a Databankenwet.
