Meta verteilte Torrent und Seed eines 81,7-TB-Datensatzes mit urheberrechtlich geschützten Daten
(arstechnica.com)- Durch freigegebene interne E-Mails und Gerichtsunterlagen wird der Vorwurf der Autoren konkretisiert, dass Meta zum Training von KI ein Raubkopien-Bücherdatenset per Torrent heruntergeladen und teilweise geseedet hat
- Streitpunkt ist, ob der Umfang der unter anderem aus Anna’s Archive und LibGen beschafften Daten mindestens 81,7 TB erreichte und ob dieser Vorgang über einen bloßen Download hinaus in eine Verteilung mündete
- Interne Nachrichten zeigen Bedenken hinsichtlich der Nutzung von Torrents auf Firmenlaptops und über Meta-IP-Adressen; die Autoren sehen darin einen Hinweis, dass Meta sich des rechtlichen Risikos bewusst war
- Der Verdacht, dass Meta den Einsatz von Facebook-Servern vermied und Einstellungen änderte, um das Seeding zu minimieren, ist ein zentrales Indiz dafür, ob man sich der Nachverfolgbarkeit von Downloads und Seeding bewusst war
- Meta hält dagegen, dass KI-Training auf Basis von LibGen Fair Use sei, und argumentiert, die Kläger hätten keinen tatsächlichen Download durch Dritte nachweisen können
Freigegebene E-Mails legen den Kern des Rechtsstreits offen
- In der von Buchautoren gegen Meta eingereichten Urheberrechtsklage werden freigegebene E-Mails als zentrales Beweismittel gegen Meta verwendet
- Die Autoren behaupten, Meta habe KI-Modelle mit raubkopierten Büchern trainiert
- Meta hatte im vergangenen Monat eingeräumt, das umstrittene große Datenset LibGen per Torrent heruntergeladen zu haben, doch die konkrete Vorgehensweise und das Ausmaß waren vor der Freigabe nicht klar
Umfang des Torrents und Herkunft der Daten
- Laut den Gerichtsunterlagen der Autoren soll Meta über Anna’s Archive aus mehreren Shadow Libraries mindestens 81,7 TB per Torrent bezogen haben
- Davon entfielen mindestens 35,7 TB auf Daten aus Z-Library und LibGen
- Ebenfalls enthalten ist der Vorwurf, Meta habe zuvor 80,6 TB aus LibGen per Torrent heruntergeladen
- Die Autoren bewerten das Ausmaß von Metas Torrent-Nutzung als „erstaunlich“ und führten vor Gericht an, dass schon deutlich kleinere Piraterie-Fälle im Umfang von 0,008 % der Werke, die Meta ihrer Aussage nach kopiert habe, zu strafrechtlichen Ermittlungsersuchen geführt hätten
Warum Seeding für den Vorwurf der unmittelbaren Verletzung wichtig ist
- Die Autoren konzentrieren sich darauf, ob Metas Torrent-Nutzung über den bloßen Download hinaus auch Seeding umfasste
- Da Seeding zur Weitergabe von Torrent-Dateien an Dritte führen kann, stärkt dies im Vorwurf der direkten Urheberrechtsverletzung insbesondere die Verbreitungs-Theorie der Autoren
- Meta widersetzte sich den Versuchen der Autoren, Metas Torrent- und Seeding-Daten zu prüfen, und das Gericht hatte einen entsprechenden Prüfungsantrag zuvor abgelehnt
- Danach beschafften die Autoren nach eigener Darstellung weitere Belege und argumentieren, interne Dokumente zeigten, dass Meta-Mitarbeiter sich der rechtlichen Risiken von Torrents bewusst waren
In internen Nachrichten dokumentierte rechtliche Bedenken
- Der Meta-Research-Engineer Nikolay Bashlykov schrieb im April 2023 in einer Nachricht, es fühle sich „nicht richtig an, auf einem Firmenlaptop Torrents zu verwenden“, und äußerte Bedenken dagegen, über eine Meta-IP-Adresse „pirate content via torrents zu laden“
- Im September 2023 wandte sich Bashlykov direkt an die Rechtsabteilung und betonte, die Nutzung von Torrents bedeute das Seeding von Dateien, also das externe Teilen von Inhalten, weshalb dies „rechtlich möglicherweise nicht in Ordnung“ sei
- Die Autoren sehen in diesen E-Mails Belege dafür, dass Meta die Rechtswidrigkeit des Verhaltens kannte
- Nach Darstellung der Autoren versuchte Meta bis April 2024, die Torrent-Nutzung möglichst zu verbergen, während man Daten im Terabyte-Bereich aus mehreren Shadow Libraries herunterlud und seedete
Vorwurf der Verschleierung von Seeding und Metas Reaktion
- Die Autoren behaupten, Meta habe für den Download der Datensätze keine Facebook-Server verwendet, um das Risiko zu vermeiden, dass ein „seeder/downloader“ zu Facebook-Servern zurückverfolgt werden könnte
- Eine interne Nachricht des Meta-Forschers Frank Zhang bezeichnete die Arbeit als stealth mode
- Laut der Aussage des für Projektmanagement zuständigen Managers Michael Clark änderte Meta Einstellungen, um das Seeding so weit wie möglich zu minimieren
- Die Autoren argumentieren, die neuen Informationen stünden im Widerspruch zu früheren Aussagen, weshalb Meta-Mitarbeiter, die an der Entscheidung für LibGen-Torrents beteiligt waren, erneut vernommen werden müssten
- Mark Zuckerberg erklärte, er sei nicht an der Entscheidung beteiligt gewesen, LibGen für das Training von KI-Modellen zu verwenden; die Autoren meinen jedoch, die freigegebenen Nachrichten zeigten, dass die Entscheidung zur Nutzung von LibGen nach einer vorherigen Eskalation an „MZ“ gefallen sei
Fair-Use-Argument und verbleibende Verfahrensschritte
- Meta hat im Verlauf des Verfahrens wiederholt argumentiert, dass KI-Training mit LibGen Fair Use sei
- In einem Antrag auf Abweisung im vergangenen Monat erklärte Meta, die Kläger hätten keinen einzigen Fall vorgelegt, in dem ein Dritter tatsächlich Teile eines Buchs über Metas Torrent heruntergeladen habe, und auch nicht nachgewiesen, dass die Bücher der Kläger von Meta verbreitet worden seien
- Während eine begrenzte Beweisaufnahme zur Frage von Metas Seeding läuft, bestreitet Meta derzeit den Seeding-Teil des Vorwurfs der direkten Urheberrechtsverletzung nicht
- Meta teilte dem Gericht mit, man werde den Sachverhalt in der Phase des Summary Judgment richtigstellen und darlegen, dass dieser Vorwurf unbegründet sei
1 Kommentare
Meinungen auf Hacker News
Wenn man sieht, dass LLMs urheberrechtlich geschützte Werke wie eine Enzyklopädie kennen, gehe ich davon aus, dass sie es alle ähnlich gemacht haben
Weiter gefasst war auch YouTube anfangs eine Geisterstadt, wuchs dann, als urheberrechtlich geschützte TV-Sendungen hochgeladen wurden; auch Google wurde groß, indem es fremde Daten ohne Vergütung indexierte, und Spotifys frühe Musikbibliothek war ebenfalls Raubkopie
Unternehmen verteidigen ihr eigenes geistiges Eigentum aggressiv, haben aber keine Skrupel, die Rechte anderer zu verletzen; Einzelpersonen haben solche Privilegien jedoch nicht. Wenn man in einem MIT-Abstellraum einen Laptop anschließt und Paper herunterlädt, verliert man sein Leben
Für digitale Güter kein Geld bezahlen. Wenn Netflix die Preise erhöht, gibt es alle Serien per Torrent; wenn Spotify die Preise erhöht, gibt es die gesamte Diskografie der Lieblingskünstler per Torrent; wenn Spielefirmen für digitale Outfits reale Preise verlangen, sucht man sich einen Crack und spielt auf privaten Servern
Milliardenunternehmen haben gezeigt, dass du ihnen egal bist, und Leuten, die sich beklagen, weil sie ihr Gehalt verlieren, kann man nur antworten: „Danke, dass du bezahlst.“ Wenn du Kreative direkt unterstützen willst, geh zu ihren Auftritten oder schick ihnen einen Scheck; wenn du keine konkrete Person benennen kannst, die tatsächlich geschädigt wird, musst du dich nicht darum kümmern
Ich glaube inzwischen kaum noch an das Argument, dass „Urheberrecht Kreativität fördert“. Urheberrecht fördert, ähnlich wie Werbung, die Kreativität großer Unternehmen, aber wie Werbung fördert es meist auch eher geringwertige Schöpfungen
Was kreative Individuen brauchen, ist nicht Urheberrecht, sondern ein Sicherheitsnetz, das ihnen die Freiheit gibt, Zeit in ihre natürlich aufkommende Kreativität zu investieren. Wenn das Ziel die Förderung kreativer Arbeit ist, ist Urheberrecht ein miserabler und teurer Ersatz für ein Grundeinkommen
Als Reddit-Mitgründer und Aktivist drohten ihm 35 Jahre Haft und 1 Million Dollar Geldstrafe, nur weil er viele wissenschaftliche Paper von JSTOR heruntergeladen hatte; dieser Druck trug letztlich dazu bei, dass er aus dem Leben schied. Möge er in Frieden ruhen
Öffentliche Websites zu crawlen, um einen Suchindex zu erstellen, ist nicht dasselbe wie ein LLM zu bauen, das Originaltexte ohne Quellenangabe wörtlich wiedergeben kann. Allerdings gibt es Raum für Debatten über den letztlich transformativen Charakter von LLMs
Auch Spotifys Musikbibliothek war wohl nicht die Version, die der Öffentlichkeit allgemein angeboten wurde, und offenbar geschah das mit Erlaubnis der Rechteinhaber
Schon davor war das Britische Empire aufgestiegen, indem es den Spaniern Gold stahl, während Spanien die Azteken und die indigenen Völker Mexikos ausbeutete
So war es schon immer; aber Kultur funktioniert nicht wie physische Widgets, daher sollte man nicht zulassen, dass einige wenige die Vorteile digitaler Kopien durch künstliche Verknappungsinstrumente wie DRM, Urheberrecht und Patente an sich reißen
Je mehr wir erfahren, wie KI-Unternehmen ihre Modelle trainiert haben, desto klarer wird: Der Rest von uns war einfach der Dumme
Wir glaubten, dass Gesetze wichtig sind, dass wir bei unserer Arbeit niemals verdrehen oder verschleiern dürfen, was wir tun, und dass wir unsere eigenen Nutzungsbedingungen sowie die anderer Websites und Produkte einhalten müssen
Beim Registrieren auf Websites oder für Inhalte dachte ich, man müsse immer die Firmen-E-Mail verwenden, damit die Gegenseite vernünftig entscheiden kann, ob sie Zugriff gewährt; tatsächlich hätte man von Anfang an einfach im YOLO-Stil durchziehen sollen. Es ist nicht illegal, bis man erwischt wird, und wenn man groß genug ist, bevor man erwischt wird, gelten die Regeln nicht
Die Belohnung für ethisches Handeln ist leider manchmal nur persönliche Zufriedenheit. Wenn man an die Vorbilder denkt, die Kinder um sich herum sehen, dürfte es wirklich schwer sein, in so einem Umfeld Kinder großzuziehen
Schon aus Selbstachtung sollte man mit Moral und Integrität handeln. Ich habe mir nie eingebildet, dass große Tech-Unternehmen das Gesetz respektieren, aber das ist ein von mir getrenntes Problem
Sie scheinen sich ohne nennenswerte Risikobewertung oder ethisches Bewusstsein von einem Growth-Hacking-Experiment zum nächsten vorangetastet zu haben
Es ist nur dann illegal, wenn man erwischt wird und zur falschen Sorte Mensch gehört. Bei der richtigen Sorte Mensch gibt es nicht einmal einen Klaps auf die Finger
Ich verstehe nicht, warum es überhaupt eine Frage ist, ob Meta LLMs mit urheberrechtlich geschütztem Material trainiert hat. In ihrem Paper steht genau das.
Im LLaMA-Paper [Touvron et al., 2023] heißt es, „der Trainingsdatensatz enthält zwei Bücherkorpora: Gutenberg Project und den Books3-Abschnitt von ThePile“.
Folgt man dieser Referenz, heißt es, Books3 sei ein Buchdatensatz, der aus einer von Shawn Presser veröffentlichten Kopie von Inhalten des privaten Trackers Bibliotik abgeleitet wurde. (Presser, 2020) verweist auf https://twitter.com/theshawwn/status/1320282149329784833 und, witzigerweise, auch auf diese DMCA-Policy: https://the-eye.eu/dmca.mp4
Außerdem haben sie angegeben, auch mit GitHub, Webseiten und ArXiv trainiert zu haben, die alle urheberrechtlich geschützte Inhalte enthalten. Die Kernfrage ist, ob das Trainieren, Verwenden und Verbreiten von KI-Modellen, Gewichten und Ausgaben, die mit urheberrechtlich geschütztem Material trainiert wurden, legal ist; die Tatsache selbst, dass mit urheberrechtlich geschütztem Material trainiert wurde, steht außer Frage.
[Touvron et al., 2023] https://arxiv.org/pdf/2302.13971
[Gao et al., 2020] https://arxiv.org/pdf/2101.00027
Das ist eine eigenständige Verletzung, unabhängig von der Debatte über trainierte LLMs.
Erstens das Training mit öffentlich zugänglichem urheberrechtlich geschütztem Material. Wenn du ein Gedicht schreibst und es online stellst, damit die ganze Welt es lesen kann, ist es dein geistiges Eigentum und niemand darf es nehmen und verkaufen; es zu lesen und sich davon inspirieren zu lassen, steht aber jedem frei. In diesem Fall wird die Legalität des Trainings vor Gericht verhandelt, und bislang scheint es eher zugunsten der LLM-Seite auszusehen.
Zweitens das Training mit nicht öffentlich gemachtem urheberrechtlich geschütztem Material. Das sind faktisch Raubkopien oder Material, das über Umwege beschafft wurde, um Kosten zu vermeiden. Wenn ein Gedicht hinter einer Paywall einem LLM ohne Gegenleistung bekannt ist, ist das schlicht illegal, denn rechtlich muss man zahlen, um das Werk zu sehen. Allerdings kann man über Bedingungen wie den Kauf von Archivzugang und anschließendes Training auf allem darin streiten.
Wenn ein Nutzer aus dem Modell rohe Datenfragmente herausfrickelt, bei denen sich nur leicht der Stil ändern lässt, sodass sie ähnlich aussehen, frage ich mich, ob das wirklich Urheberrechtsverletzung ist. Was wäre, wenn dafür zwei Modelle nötig wären?
Vielleicht müssen wir inzwischen akzeptieren, dass die Fähigkeit von Menschen, Plagiatsversuche direkt zu beurteilen, bereits an ihre Grenzen gestoßen ist. So wie es schwer ist, Skys Stimme von der Stimme aus Her zu unterscheiden.
Ich empfehle dringend, Thomas Babington Macaulays Rede zum Urheberrecht zu lesen. Sie erklärt Zweck, Dauer und Risiken des Urheberrechts sehr logisch.
Besonders oft wurde argumentiert, eine Verlängerung des Urheberrechts sei ein fairer Weg, Fälle zu verhindern, in denen ein Autor stirbt und seine Familie in Armut zurücklässt; doch in den meisten Fällen besaßen die Hinterbliebenen das Urheberrecht gar nie.
Der Autor hatte das Vervielfältigungsrecht zunächst an einen Verlag verkauft, und der Verlag ließ das Werk unveröffentlicht liegen, bis der in Armut gedrängte Autor das Urheberrecht für einen Spottpreis vollständig abtrat. In solchen Fällen nützt eine Verlängerung des Urheberrechts nur dem Verlag und erhöht im Gegenteil den Anreiz, Urheberrechte abzupressen.
So jemand soll uns etwas über Urheberrecht beibringen? Nein danke.
Ob der Autor die Rechte verkauft oder nicht: Mit Urheberrecht sind der Autor und seine Familie gleichermaßen besser gestellt.
Libgen ist ein zivilisatorisches Projekt, das man unterstützen sollte, nicht anklagen.
Ich hoffe, dass die Menschen eines Tages zurückblicken und erkennen, wie töricht wir heute waren, die größte Sammlung literarischer Werke in der Geschichte der Menschheit zurückzuweisen.
Die Website hat eine eigene Seite dafür, und wer bezahlt, kann den gesamten Datensatz mit hoher Geschwindigkeit herunterladen.
Als Metallica Napster verklagte, war die Reaktion vieler Leute: „Moment, man kann Musik kostenlos herunterladen?“
Denn damit verdienen GPU-Hersteller Geld, oder sie selbst verdienen wie OpenAI Geld mit kostenpflichtigen Diensten.
Auch die örtliche Bibliothek nimmt wahrscheinlich am Fernleihsystem teil, sodass man kostenlos Bücher aus jeder Bibliothek im Land anfordern kann.
LibGen verschafft Zugang zu einem deutlich kleineren Werkkorpus als diese beiden Optionen und ist nur etwas bequemer. Der größte Unterschied ist, dass die Autoren keinerlei Vergütung erhalten. Geh einfach in eine echte Bibliothek.
Alle lieben es, große Konzerne zu hassen, besonders Meta, und scheinen das als Gelegenheit zu nutzen, Bestrafung zu fordern.
Der klügere Weg wäre aber, für eine Änderung des Rechts am geistigen Eigentum zu plädieren.
https://en.wikipedia.org/wiki/Aaron_Swartz#United_States_v._...
https://en.wikipedia.org/wiki/Aaron_Swartz#Death
Aaron Swartz wurde durch Schikanen in den Suizid getrieben, während diese Unternehmen frei davonkommen und Milliarden verdienen werden. Meiner Ansicht nach sollte man alle CEOs von Tech-Unternehmen so behandeln wie Swartz und danach das Gesetz ändern.
Großkonzerne sind zu groß und sollten schlicht nicht existieren. Wenn Unternehmen mächtiger werden als die größten Landesregierungen, ist das kein Feature, sondern ein Bug.
Das Recht am geistigen Eigentum muss möglicherweise überprüft werden. Aber zu sagen, man solle das Gesetz abschaffen, weil Großkonzerne über dem Gesetz stehen, hilft nicht. Zuerst sollte man die Großkonzerne abschaffen und danach über faire Gesetze nachdenken. Selbst wenn man das Gesetz jetzt ändert, ändert sich nichts, weil diese Unternehmen ohnehin bereits über dem Gesetz stehen.
Trotzdem gilt: Wenn sie brennen sollen, dann aus den richtigen Gründen. Das Herunterladen von Daten, die der Öffentlichkeit zugänglich sein sollten, gehört nicht dazu.
Sich bei Meta oder Zuck zu beschweren, bringt nichts. Meta verhält sich genau so, wie es konzipiert wurde. Wenn einem das nicht gefällt, muss man für mehr Regulierung stimmen.
Das erinnert mich an die verrückten Internetleute von früher, die fanden, dass das Urheberrecht viel zu streng ist und dass eine derartige Beschränkung des Zugangs zum Wissen der Menschheit alle zugunsten einer winzigen Minderheit zurückwirft.
Das heißt: Klagen, Haftstrafen und Millionenstrafen. Und das betrifft nur den Piraterie-Teil; dazu kommen noch Lügen und Betrug.
Interessanterweise wurde ein niederländisches LLM-Projekt von der lokalen Urheberrechtslobby zur Einstellung aufgefordert, nachdem diese erfahren hatte, dass es mit einem Haufen raubkopierter E-Books trainiert worden war. Schade, dass das nicht vor Gericht ausgefochten wurde; ich hätte gern gesehen, ob dieselbe Lobby auch ChatGPT und andere AI-Unternehmen, die dasselbe getan haben, zu Fall bringen kann.
Sie haben Ressourcen in Milliardenhöhe; gab es niemanden, der auch nur einen Teil davon dafür einsetzen wollte, neue Daten zu digitalisieren? Sogar Google hat das getan.
Menschen, die Ideale tatsächlich hochhalten, selbst wenn es ihrem eigenen Leben schadet, sind unglaublich selten.
Über das illegale Herunterladen und Verbreiten urheberrechtlich geschützter Inhalte hinaus steht in dem Artikel auch, dass Meta-Mitarbeiter in ihren Aussagen offenbar darüber gelogen haben.
Potenziell könnte das auch Mark Zuckerberg selbst einschließen.
Das ist zwar eine flapsige Reaktion, aber viel zu viele Menschen beten am Altar der Arbeitsplatzschaffer und glauben, solche Leute seien moralisch und gute Bürger.
Wenn ich per Torrent herunterladen und seeden würde, dann wäre das nicht zu kommerziellen Zwecken, sondern zur privaten Unterhaltung, und trotzdem würden große Rechteinhaber hinter mir her sein.
Wenn Meta das macht, ist es in Ordnung, weil sie bessere Anwälte haben? Das könnte ein interessanter Präzedenzfall werden.
In diesem Moment muss ich an Aaron Swartz denken.