Si vous avez déjà publié quelque chose sur internet, il est probable que vos données aient déjà été collectées, rassemblées et utilisées pour entraîner des systèmes d’intelligence artificielle comme ceux qui alimentent ChatGPT, Midjourney et Sora. L’intelligence artificielle générative est conçue pour réussir en tant que généraliste, et selon OpenAI, apprendre à le faire nécessite des données à l’échelle de l’internet pour s’entraîner. Vous n’avez probablement pas besoin que je vous dise ce qui arrive lorsque les entreprises utilisent des données publiques collectées – souvent sans la permission de ceux qui les ont créées – à partir d’articles de presse, de livres et de projets créatifs pour enseigner aux outils d’IA comment, par exemple, générer des articles de presse, des livres et des projets créatifs. Le New York Times poursuit actuellement OpenAI pour avoir prétendument utilisé ses archives étendues sans autorisation pour entraîner des chatbots (dans un récent dépôt, OpenAI a accusé le Times d’avoir « engagé quelqu’un pour pirater » ChatGPT afin de prouver que le chatbot volait leur contenu). Getty Images a poursuivi Stable Diffusion pour violation de copyright. D’autres poursuites judiciaires de la part d’auteurs et de créateurs, en colère de découvrir que leurs œuvres étaient utilisées pour entraîner des modèles d’IA, ont connu des revers devant les tribunaux. D’autres entreprises ont choisi de conclure des accords. L’Associated Press a accordé une licence à OpenAI pour une partie de ses archives. Shutterstock, la banque d’images, a signé un accord de six ans avec OpenAI pour fournir des données d’entraînement, ce qui inclut l’accès à ses bases de données de photos, de vidéos et de musique. La façon dont les systèmes d’IA utilisent le travail des journalistes, des musiciens et des photographes a des implications assez importantes pour notre écosystème d’information et culturel et pour les personnes qui travaillent dans les domaines que les entreprises d’IA semblent déterminées à développer des outils pour remplacer. Le besoin de recueillir de plus en plus de données d’entraînement avec le moins de tracas possible signifie que n’importe qui qui publie en ligne – que ce soit un compte Tumblr de fan, une présence active sur Reddit ou un blog personnel – pourrait voir l’accès à leur contenu être vendu par les plateformes qui l’hébergent à l’une de ces grandes entreprises d’IA.
« Survivre cet été sur Internet »
Un après-midi d’août, alors qu’un suprémaciste blanc conduisait une voiture à travers une foule de manifestants pacifiques à Charlottesville, en
