考虑一下音乐行业中对人工智能（AI）的两种做法。其中一种是由披头士乐队的制作人乔治-马丁爵士的儿子贾尔斯-马丁采用的方法。去年，他使用人工智能从单声道母带中学习每个乐队成员的乐器声音（例如，约翰-列侬的吉他），并成功地将它们分开并反向工程成立体声。结果十分辉煌。另一种方法也不错。这是澳大利亚唱作人尼克-凯夫在审查由一家名为OpenAI的创业公司开发的人工智能工具ChatGPT以他的风格编写的歌词时的反应。“这首歌很烂，”他写道。“写一首好歌并不是模仿或复制，而是相反，是一种自我谋杀的行为，它摧毁了一个人过去努力制作的一切。”
Cave先生似乎不会对OpenAI在3月14日公布的最新算法版本GPT-4留下深刻印象，而这对马丁先生可能很有用。世界上最大的唱片公司环球音乐集团的首席数字官迈克尔·纳什列举了他们的例子，以证明对于像ChatGPT（用于文本）或Stable Diffusion（用于图像）等内容创作应用程序背后的人工智能技术既感到兴奋又感到恐惧。它可以帮助创作过程，但也可能破坏或篡改它。然而，对于整个音乐录制行业来说，机器人的出现让人想起历史上的一个地震事件：Napster的迅速崛起和衰落，这是一个在千年之交主要用于分享盗版歌曲的平台。Napster最终被版权法打倒。对于那些被指责干涉知识产权的激进机器人供应商，纳什先生向那些在Napster时代的音乐产业老手学到的一个简单信息，就像是一种威胁：”不要在市场上部署并乞求宽恕。这就是Napster的做法。”
这里的主要问题并非人工智能对Cave先生的模仿或假的莎士比亚十四行诗，而是机器人在被训练为创造类似人类的内容时，吸收了大量版权数据。这些信息无处不在，包括社交媒体信息、互联网搜索、数字图书馆、电视、广播、统计库等等。据称，人工智能模型经常未经许可就掠夺数据库。那些负责源材料的人抱怨说，他们的工作在没有同意、信用或补偿的情况下被囤积起来。简而言之，一些人工智能平台可能采取了Napster公司对歌曲的做法，完全无视版权。这已经引发了诉讼。
这是一个法律雷区，其影响超出了创意产业，延伸到机器学习发挥作用的任何业务，如自动驾驶汽车、医疗诊断、工厂机器人和保险风险管理。欧盟是一个真正的官僚主义形式，有一个关于版权的指令，提到了数据挖掘（在最近的机器人热潮之前就已写入）。专家们表示，美国缺乏专门针对生成性人工智能的案例历史。相反，在 “合理使用 “原则下，它对没有许可证的数据挖掘是否被允许有不同的理论。Napster公司也曾试图在美国将 “合理使用 “作为辩护理由，但失败了。这并不是说这次的结果也会一样。
围绕 “合理使用 “的主要争论很有吸引力。在《德克萨斯法律评论》（Texas Law Review）杂志上，Mark Lemley和Bryan Casey关于该主题的大师级文章指出，当版权作品的使用服务于有价值的社会目的，源材料是从原作中转化而来，并且不影响版权所有者的核心市场时，就被认为是公平的。但批评者认为，人工智能并没有改变，而是利用了他们挖掘的全部数据库，机器学习背后的公司滥用合理使用来 “搭便车”，利用个人的工作。他们认为，如果人工智能促进了大规模监控和错误信息的传播，这将威胁到创作者的生计，以及整个社会。作者权衡了这些论点，并认为获得训练集的机会越多，人工智能就越好。如果没有这种机会，可能根本就没有人工智能。换句话说，这个行业可能会死在萌芽状态。因此，他们将其描述为本世纪最重要的法律问题之一：”版权法会允许机器人学习吗？”
早期的一起诉讼引起了人们的关注，此案来自盖蒂图片社。该摄影机构指控Stable Diffusion的Stability AI侵犯了其数百万张照片的版权，以建立一个与盖蒂竞争的图像生成AI模型。如果此案没有达成庭外和解，它可能成为合理使用的先例。在涉及已故艺术家安迪-沃霍尔改造流行偶像王子的版权图片的案件中，美国最高法院可能很快做出更重要的判决。纳什维尔范德比尔特法学院的知识产权专家Daniel Gervais认为，大法官可能会提供期待已久的关于一般合理使用的指导。
生成性人工智能所面临的法律问题并不仅限于刮取受版权保护的数据。在某些司法管辖区，版权仅适用于人类创作的作品，因此，机器人所产生的作品是否可以要求知识产权保护仍存在争议。此外，生成性人工智能是否应像社交媒体平台那样对其展示的内容享有同等责任保护，以及其是否危害了数据隐私，这些都是在法庭之外需要面对的重大政治问题。
知识产权之争将会是一场大战役。纳什先生建议创意产业应该迅速采取行动，以确保艺术家的产出得到许可，并在训练人工智能模型时以道德方式使用。他呼吁人工智能公司应该“记录并披露”其来源。然而，他也承认这是一个微妙的平衡，因为创意型人才不想听起来像是进步的敌人，同时许多人可能从人工智能的工作中受益。从Napster公司的“现实疗法”中得到的教训是，与新技术打交道比希望它们消失要好，因此也许不需要花费15年的时间来学习如何处理这一挑战。