“盡管制定了購(gòu)買和使用個(gè)人信息的協(xié)議，但被告采取了不同的方法：竊取。”近日，一批匿名人士以此為理由，向OpenAI，以及其投資方之一的微軟公司發(fā)起集體訴訟。
起訴書(shū)稱，OpenAI從互聯(lián)網(wǎng)上竊取了3000億個(gè)單詞，它們來(lái)自“書(shū)籍、文章、網(wǎng)站和帖子——包括未經(jīng)同意獲得的個(gè)人信息”。
【資料圖】
目前這些指控仍是一面之詞。不過(guò)，這已經(jīng)不是這家公司第一次陷入數(shù)據(jù)安全、個(gè)人信息泄露相關(guān)的指控了。
“OpenAI是否按照其隱私政策合法合理地收集并利用用戶個(gè)人信息，以及是否有效識(shí)別并剔除其訓(xùn)練數(shù)據(jù)來(lái)源中‘偶然’包含的個(gè)人信息。可能是該起訴訟的爭(zhēng)議焦點(diǎn)所在。”北京大成律師事務(wù)所高級(jí)合伙人鄧志松表示。
以大模型原理構(gòu)建的生成式人工智能產(chǎn)品，是算力與數(shù)據(jù)加持下的“暴力美學(xué)”，數(shù)據(jù)是門檻，語(yǔ)料庫(kù)海量數(shù)據(jù)存在高度的數(shù)據(jù)合規(guī)風(fēng)險(xiǎn)。擁有1億用戶、數(shù)十億訪問(wèn)量的ChatGPT因?yàn)椤皹?shù)大”其問(wèn)題首當(dāng)其沖，但以數(shù)據(jù)為基石的大模型，數(shù)據(jù)安全問(wèn)題正變得越來(lái)越重要，甚至可能成為產(chǎn)品的“阿克琉斯之踵”。
AI新秀變“數(shù)據(jù)小偷”？
根據(jù)ChatGPT的開(kāi)發(fā)者OpenAI提供的信息，ChatGPT的三個(gè)主要信息來(lái)源是互聯(lián)網(wǎng)上的公開(kāi)信息、從第三方處通過(guò)許可獲取的信息以及用戶或模型訓(xùn)練者提供的信息（如用戶與ChatGPT的聊天記錄）。
這份將近160頁(yè)的起訴書(shū)聲稱，OpenAI 秘密從互聯(lián)網(wǎng)上竊取了 3000 億個(gè)單詞，竊聽(tīng)了“書(shū)籍、文章、網(wǎng)站和帖子——包括未經(jīng)同意獲得的個(gè)人信息”。
具體而言，該集體訴訟的原告認(rèn)為，為了贏得“人工智能軍備競(jìng)賽”，OpenAI從ChatGPT的交互對(duì)話以及集成ChatGPT的應(yīng)用程序中“收集、存儲(chǔ)、跟蹤、共享和披露”數(shù)百萬(wàn)人的個(gè)人信息，包括產(chǎn)品詳細(xì)信息、帳戶信息、姓名、聯(lián)系方式、登錄憑據(jù)、電子郵件、支付信息、交易記錄、瀏覽器數(shù)據(jù)、社交媒體信息、聊天日志、使用數(shù)據(jù)、分析、cookie、搜索和其他在線活動(dòng)。
原告認(rèn)為，此舉違反了服務(wù)協(xié)議條款以及州和聯(lián)邦的隱私和財(cái)產(chǎn)法。起訴書(shū)指出，這一數(shù)據(jù)竊取行為的受害人預(yù)計(jì)有數(shù)百萬(wàn)，潛在損失達(dá) 30 億美元。原告訴求則是，要求法院暫時(shí)凍結(jié) OpenAI 產(chǎn)品的商業(yè)訪問(wèn)和進(jìn)一步開(kāi)發(fā)。
鄧志松告訴21世紀(jì)經(jīng)濟(jì)報(bào)道記者，ChatGPT運(yùn)行的原理通過(guò)“閱讀”大量現(xiàn)有文本并學(xué)習(xí)詞語(yǔ)在上下文中的出現(xiàn)方式來(lái)預(yù)測(cè)可能出現(xiàn)在回應(yīng)中的最可能的詞語(yǔ)。此前，OpenAI方面聲稱不會(huì)“主動(dòng)”收集個(gè)人信息用于模型訓(xùn)練，但各渠道訓(xùn)練數(shù)據(jù)可能“偶然”包含個(gè)人信息，人工智能模型可能會(huì)從中了解如何在回應(yīng)用戶時(shí)正確使用人名、地址等信息，同時(shí)它們堅(jiān)稱這些信息不會(huì)被用于建立用戶畫(huà)像、廣告推廣等商業(yè)用途。
“OpenAI是否按照其隱私政策合法合理地收集并利用用戶個(gè)人信息，以及是否有效識(shí)別并剔除其訓(xùn)練數(shù)據(jù)來(lái)源中‘偶然’包含的個(gè)人信息。這兩個(gè)問(wèn)題可能是該起訴訟的爭(zhēng)議焦點(diǎn)所在。”鄧志松分析，未經(jīng)用戶許可擅自抓取并利用其個(gè)人信息，可能涉嫌違反所在司法轄區(qū)的個(gè)人信息保護(hù)法律法規(guī)，并構(gòu)成民事侵權(quán)。
不過(guò)，受訪專家也指出，目前“竊取”暫時(shí)仍是原告方的一面之詞，還不能據(jù)此貿(mào)然將OpenAI所實(shí)施的個(gè)人信息收集活動(dòng)定性為違法行為。
如何理解數(shù)據(jù)“竊取”
綜合來(lái)看，合規(guī)、知情-同意成為這起訴訟的風(fēng)暴眼。
“第一是信息的來(lái)源，尤其是訓(xùn)練用的物料是否能說(shuō)得清、是否合規(guī)；第二，在與用戶交互的過(guò)程中是否涉及到了用戶的隱私信息。”數(shù)安信CTO崔維友也指出，“竊取”很可能是在用戶沒(méi)有充分知情的情況下拿到了用戶的個(gè)人數(shù)據(jù)。
“盡管 OpenIAI對(duì)其數(shù)據(jù)收集和做法 ‘絕對(duì)保密’，但就我們了解，該公司使用（至少）5個(gè)不同的數(shù)據(jù)集來(lái)訓(xùn)練ChatGPT。”根據(jù)起訴書(shū)陳述，OpenAI使用的數(shù)據(jù)集中有部分?jǐn)?shù)據(jù)的抓取并不合規(guī)。
以WebTex2這一OpenAI "專有 "人工智能語(yǔ)料庫(kù)為例。原告指出，為了構(gòu)建這一語(yǔ)料庫(kù)，OpenAI抓取了社交媒體網(wǎng)站Reddit上所有獲得至少3個(gè) "喜歡"（在Reddit上被稱為 "Karma "投票）的帖子所鏈接的所有網(wǎng)頁(yè)，以及Reddit帖子和相關(guān)評(píng)論。而Reddit中受歡迎的內(nèi)容除了來(lái)自其網(wǎng)站本身，還包括大量來(lái)自YouTube、Facebook、TikTok和Instagram等社交媒體的鏈接。這些鏈接及與之關(guān)聯(lián)的個(gè)人信息在沒(méi)有通知相關(guān)方獲得同意的情況下被大量抓取。
值得注意的是，公開(kāi)資料顯示，今年4月，Reddit官方宣布將對(duì)調(diào)用其API的公司收費(fèi)，原因正是OpenAI、谷歌等公司利用該平臺(tái)上的數(shù)據(jù)訓(xùn)練模型。
袁立志指出，當(dāng)前人工智能大模型訓(xùn)練數(shù)據(jù)主要有應(yīng)用存量數(shù)據(jù)、商業(yè)和開(kāi)放數(shù)據(jù)、公共互聯(lián)網(wǎng)數(shù)據(jù)和用戶使用數(shù)據(jù)等幾大來(lái)源，而不同的數(shù)據(jù)源的使用則各有不同優(yōu)劣。“要做到完全合規(guī)，并不容易。”他直言。
數(shù)據(jù)安全——大模型產(chǎn)品的“必答題”
人工智能發(fā)展的突破得益于高質(zhì)量數(shù)據(jù)的發(fā)展。大模型的最新進(jìn)展依賴于更高質(zhì)量、更豐富的訓(xùn)練數(shù)據(jù)集。如何判斷數(shù)據(jù)收集行為以及留存的數(shù)據(jù)內(nèi)容是否合規(guī)，已成為當(dāng)前相關(guān)技術(shù)發(fā)展亟待解決的問(wèn)題，更是大模型產(chǎn)品未來(lái)健康發(fā)展的關(guān)鍵。
“雖然ChatGPT表示，存儲(chǔ)訓(xùn)練和運(yùn)行模型所需的數(shù)據(jù)會(huì)嚴(yán)格遵守隱私和安全政策，但在未來(lái)可能出現(xiàn)網(wǎng)絡(luò)攻擊和數(shù)據(jù)爬取等現(xiàn)象，仍存在不可忽視的數(shù)據(jù)安全隱患。特別是涉及國(guó)家核心數(shù)據(jù)、地方和行業(yè)重要數(shù)據(jù)以及個(gè)人隱私數(shù)據(jù)的抓取、處理以及合成使用等過(guò)程，需平衡數(shù)據(jù)安全保護(hù)與流動(dòng)共享。”南開(kāi)大學(xué)法學(xué)院副院長(zhǎng)、中國(guó)新一代人工智能發(fā)展戰(zhàn)略研究院特約研究員陳兵說(shuō)。
大成律師事務(wù)所高級(jí)合伙人肖颯則強(qiáng)調(diào)了AI技術(shù)“文本數(shù)據(jù)挖掘功能”潛藏的合規(guī)風(fēng)險(xiǎn)。她表示，該功能不僅可以“主動(dòng)”搜集和存儲(chǔ)數(shù)據(jù)，并且能在不斷的數(shù)據(jù)處理過(guò)程中形成自己的處理模式。若其所搜集的數(shù)據(jù)(含個(gè)人信息)并未取得合法授權(quán)，相關(guān)的處理活動(dòng)就可能涉嫌違法違規(guī)。
這已經(jīng)不是ChatGPT第一次陷入數(shù)據(jù)泄露的風(fēng)波。今年3月，其Redis 開(kāi)源庫(kù)中的錯(cuò)誤導(dǎo)致本 ChatGPT 服務(wù)中暴露了其他用戶的個(gè)人信息和聊天標(biāo)題。在ChatGPT被接連發(fā)現(xiàn)意外泄露用戶聊天記錄后，意大利數(shù)據(jù)保護(hù)局（Garante per la Protezione dei Dati Personali）于3月底宣布將暫時(shí)禁用ChatGPT并對(duì)該工具涉嫌違反隱私規(guī)則展開(kāi)調(diào)查。 加拿大也對(duì)OpenAI“未經(jīng)同意收集、使用和披露個(gè)人信息”的投訴進(jìn)行調(diào)查。
但這并不是OpenAI這家公司、ChatGPT這個(gè)產(chǎn)品的個(gè)例，其暴露出的隱私泄露、存儲(chǔ)敏感信息、未授權(quán)訪問(wèn)等數(shù)據(jù)安全問(wèn)題是大模型產(chǎn)品落地應(yīng)用后可能普遍面臨的問(wèn)題。
CCIA數(shù)據(jù)安全工作委員會(huì)指出，大模型使用來(lái)自互聯(lián)網(wǎng)的公開(kāi)文本數(shù)據(jù)作為預(yù)訓(xùn)練數(shù)據(jù)，這些數(shù)據(jù)可能包含一些用戶的個(gè)人信息，這些信息可能被LLM無(wú)意中學(xué)習(xí)和記憶，并在后續(xù)的應(yīng)用中泄露出來(lái)。預(yù)訓(xùn)練和微調(diào)過(guò)程中需要對(duì)數(shù)據(jù)進(jìn)行收集、存儲(chǔ)、分析和處理，這些操作可能會(huì)侵犯用戶的個(gè)人信息權(quán)利，如知情權(quán)、選擇權(quán)、刪除權(quán)等。用戶可能沒(méi)有充分的意識(shí)和能力來(lái)保護(hù)自己的個(gè)人信息，也沒(méi)有足夠的透明度和監(jiān)督機(jī)制來(lái)確保數(shù)據(jù)處理方遵守相關(guān)的法律法規(guī)和倫理規(guī)范。
并且，由于參數(shù)量巨大，大模型需要借助分布式計(jì)算和云服務(wù)等技術(shù)來(lái)進(jìn)行訓(xùn)練和部署，這就增加了數(shù)據(jù)被竊取、篡改、濫用或泄露的風(fēng)險(xiǎn)。
自ChatGPT發(fā)布后，中國(guó)企業(yè)目前已經(jīng)發(fā)布了超70個(gè)基礎(chǔ)大模型。雨后春筍般的大模型，在接下來(lái)商用過(guò)程中如何做到數(shù)據(jù)合規(guī)，已經(jīng)成為每一個(gè)產(chǎn)品需要面對(duì)的“必答題”。
在袁立志看來(lái)，未來(lái)，針對(duì)不同的數(shù)據(jù)來(lái)源，企業(yè)應(yīng)采取不同手段保證訓(xùn)練數(shù)據(jù)合規(guī)。原有業(yè)務(wù)的存量數(shù)據(jù)，如果用以大模型訓(xùn)練，屬于變更使用，需要再次得到用戶同意；如果爬取互聯(lián)網(wǎng)公開(kāi)數(shù)據(jù)，則需做好數(shù)據(jù)清理、匿名化等處理，同時(shí)注意爬蟲(chóng)技術(shù)本身的法律風(fēng)險(xiǎn)；如果購(gòu)買商用數(shù)據(jù)或者使用開(kāi)源數(shù)據(jù)，則需要企業(yè)內(nèi)做好相關(guān)合規(guī)審查，保障安全。至于用戶使用過(guò)程中產(chǎn)生的數(shù)據(jù)，如與大模型對(duì)話的聊天記錄，C端數(shù)據(jù)在事前告知用戶獲得同意后使用；接入API使用的B端數(shù)據(jù)，由于與企業(yè)高度相關(guān)，模型默認(rèn)不會(huì)收集和使用。
“合規(guī)確實(shí)是后發(fā)的大模型訓(xùn)練者需要面對(duì)的棘手問(wèn)題。”袁立志坦言，從業(yè)者只能參照自身現(xiàn)實(shí)情況，選擇盡可能安全透明、成本可控的方法。
AI的浪潮不會(huì)停歇，如何掌好前行的船舵，在企業(yè)生存與合規(guī)生產(chǎn)間找到平衡向前，或許已經(jīng)成為第四次工業(yè)革命下的時(shí)代命題。
（文章來(lái)源：21世紀(jì)經(jīng)濟(jì)報(bào)道）
