تصور کنید ابزاری بسازید که ادعا می‌کند موسیقی را از پایه خلق می‌کند، اما در واقع تکه‌هایی از آهنگ‌های مشهور را در حافظه‌اش ذخیره کرده و دوباره پخش می‌کند. این دقیقاً همان چیزی است که دادگاه مونیخ در ۱ اوت ۲۰۲۶ درباره شرکت Suno حکم داد: این مدل تنها الگوها را یاد نگرفته، بلکه آثار دارای کپی‌رایت را «حفظ' کرده است. دادگاه به صراحت اعلام کرد که Suno از طریق فرآیندهای آموزشی و همچنین خروجی‌های تولید شده، حقوق کپی‌رایت را نقض کرده است. این تصمیم ضربه‌ای حقوقی به شرکت Suno است، زیرا دادگاه دفاعیه این شرکت مبنی بر «استفاده منصفانه» (Fair Use) تحت قوانین ایالات متحده را صریحاً رد کرد.
این پرونده در حالی پیش می‌رود که صنعت موسیقی در جنگی تمام‌عیار با آزمایشگاه‌های هوش مصنوعی بر سر مقیاس استخراج غیرمجاز داده‌ها (scraping) است. این موضوع یادآور شکایت‌های مشابهی است که در آن سونی موسیقی ادعا کرد Udio بیش از ۳۰ هزار اثر دارای کپی‌رایت را دزدیده است و نشان می‌دهد که Suno تنها مورد استثنای این روند نیست. به گزارش the-decoder.com، این شکایت توسط سازمان حقوق موسیقی آلمان (GEMA) مطرح شد. GEMA با استناد به شش آهنگ مشهور، خواستار صدور احکام توقف فعالیت، افشای اطلاعات و پرداخت خسارات مالی شده بود. همان‌طور که در تحلیل‌های پیشین ما درباره حقوق مالکیت معنوی در عصر مدل‌های مولد اشاره کردیم، مرز بین «الهام گرفتن» و «سرقت محتوا» اکنون در دستان قضات است.
این موضوع ما را به مفهوم حفظ خاطره‌ای (Memorization) می‌رساند؛ یعنی وقتی یک مدل به‌جای یادگیری الگوهای کلی، تکه‌های دقیقی از داده‌های آموزشی را عیناً ذخیره می‌کند — شبیه به دانش‌آموزی که به‌جای فهم فرمول ریاضی، پاسخ‌های کتاب را حفظ کرده و حالا همان‌ها را بازگو می‌کند. در حالی که شرکت Suno ادعا می‌کرد مدل‌هایش تنها «الگوهای ریاضی آموخته شده و ویژگی‌های تعمیم‌یافته» را یاد می‌گیرند، دادگاه دریافت که مدل‌ها در واقع محتوای خاصی از داده‌های آموزشی خود را ذخیره کرده‌اند. در پژوهش‌های هوش مصنوعی، حفظ خاطره‌ای زمانی رخ می‌دهد که مدل به‌جای الگوهای کلی، محتوای خاص را ذخیره کند و اجازه دهد آن محتوا دوباره به عنوان خروجی بیرون کشیده شود.
به نقل از مستندات دادگاه، GEMA برای اثبات این ادعا، متن ترانه‌ها، سبک‌های موسیقی و عناوین آثار مشهوری مثل «Atemlos durch die Nacht» اثر کریستینا باخ و «Rasputin» اثر فرانک فارین، فرد جی و جورج ریام را به مدل داد. در این آزمایش، نکات زیر حائز اهمیت بود:
- دامنه بررسی: تنها آهنگ‌ها و آهنگسازها مورد بحث بودند و متن ترانه‌ها بخشی از ادعای کپی‌رایت نبودند.
- فرآیند: GEMA عنوان، سبک و متن ترانه را وارد کرد اما هیچ تصریحی درباره ریتم، تنظیم، هارمونی یا ملودی ارائه نداد.
- نتیجه: نسخه‌های ۳.۵ و ۴ مدل Suno نتایجی تولید کردند که حاوی عناصر اصلی و دقیق آثار منبع بودند.
دادگاه تأکید کرد که با توجه به پیچیدگی و طول این آهنگ‌ها، این شباهت‌ها نمی‌تواند تصادفی باشد.
Suno تلاش کرد مسئولیت را به گردن کاربران بیندازد و استدلال کرد که پرامپت‌های خاص کاربران هستند که زنجیره علیِ نقض قانون را ایجاد کرده‌اند. اما دادگاه این استدلال را رد کرد. قاضی معتقد بود چون پرامپت‌های استفاده شده «ساده و باز» بودند و از آنجا که Suno مدل‌ها را مدیریت می‌کند، آهنگ‌های آموزشی را انتخاب کرده و معماری سیستم را طراحی نموده است، در واقع مدل‌ها هستند که خروجی را «به‌طور اساسی تعیین» می‌کنند. بنابراین، صرفِ ارائه این ابزار تولیدکننده اکنون به عنوان یک تخلف قانونی تلقی می‌شود.
علاوه بر این، Suno به استثنای «متن و داده‌کاوی» (Text and Data Mining) در آلمان استناد کرد که تحلیل‌های خودکار را تحت شرایط خاصی مجاز می‌داند، اما دادگاه حکم داد که این استثنا شامل «حفظ خاطره‌ای» که در اینجا یافت شده است، نمی‌شود.
یک نکته تکان‌دهنده در این حکم، نحوه جمع‌آوری داده‌هاست. دادگاه افشا کرد که Suno برای استخراج موسیقی از یوتیوب از تکنیک‌های Stream-ripping استفاده کرده است. این کار در واقع دور زدن سیستم Rolling Cipher یوتیوب است؛ یک حفاظ فنی پیشرفته که برای جلوگیری از دانلودهای غیرقانونی محتوای صوتی و تصویری طراحی شده است.
در بخش حقوقی، دادگاه تحت یک قاعده خاص برای سازمان‌های جمع‌آوری حقوق، صلاحیت رسیدگی به فعالیت‌های آموزشی صورت گرفته در ایالات متحده را پذیرفت. دادگاه با تطبیق قوانین آمریکا به این نتیجه رسید که قانون «استفاده منصفانه» در اینجا کاربرد ندارد. دادگاه این پرونده را از دادرسی‌های آمریکایی مانند پرونده Bartz و Kadrey متمایز کرد؛ در آن پرونده‌ها، آموزش مدل به عنوان یک عمل «تغییردهنده» (transformative) دیده شده بود. تفاوت کلیدی در اینجا این است که در آن پرونده‌ها، داده‌های آموزشی «به‌طور مستقیم یا قابل توجهی در خروجی‌ها در دسترس کاربران قرار نگرفته بودند». اما در مورد Suno، ورودی‌های ساده منجر به نتایجی شدند که «به‌طور قابل توجهی مشابه» آثار اصلی بودند. در نتیجه، تمامی فاکتورهای تست استفاده منصفانه (بر اساس تصمیم دیوان عالی آمریکا در پرونده Warhol) علیه Suno بود.
زمینه و تحلیل
این حکم هنوز قطعی نیست و چندین سؤال باقی مانده است. پژوهشگران اشاره کرده‌اند که حفظ خاطره‌ای منحصر به موسیقی نیست؛ برای مثال کتاب‌های مشهوری مثل هری پاتر با شباهت بسیار زیاد از مدل‌های زبانی استخراج شده‌اند. احتمال حفظ خاطره‌ای به دفعات حضور یک اثر در داده‌های آموزشی بستگی دارد؛ آهنگ‌های محبوبی مثل «Rasputin» در سراسر اینترنت پخش شده‌اند و همین موضوع استخراج آن‌ها را آسان‌تر می‌کند.
همچنین بحثی درباره پرامپت‌های GEMA وجود دارد. در حالی که دادگاه آن‌ها را «ساده» خواند، برخی استدلال می‌کنند که ارائه کامل متن ترانه و عنوان، هویت آهنگ را بیش از حد دقیق تعریف می‌کند و بازتاب‌دهنده «استفاده عادی» نیست. این موضوع مشابه نبرد جاری بین نیویورک تایمز و OpenAI است که بحث می‌کنند آیا پرامپت‌های هدفمند یک «باگ» هستند یا یک «قابلیت».
برای رهبران کسب‌وکار در فضای هوش مصنوعی، این حکم نشان می‌دهد که سپر «استفاده تغییردهنده» زمانی از بین می‌رود که مدل بتواند کپی تقریباً کامل از یک اثر حفاظت‌شده را ارائه دهد. در این حالت، هوش مصنوعی از یک ابزار خلاقیت به یک «ماشین دزدی پیشرفته» تبدیل می‌شود. اگر این حکم در تجدیدنظر تایید شود، ممکن است سایر سرویس‌های موسیقی AI را مجبور کند تا داده‌های حفظ‌شده را پاک کنند یا قراردادهای لایسنس گران‌قیمتی ببندند. این سابقه حقوقی نشان می‌دهد که دور زدن حفاظ‌های فنی برای آموزش مدل، صرف‌نظر از خروجی نهایی، ممکن است به عنوان دزدی آثار (Piracy) تلقی شود.
گام بعدی شما
- اگر از ابزارهای تولید محتوا استفاده می‌کنید، بررسی کنید که آیا خروجی‌های شما بیش از حد به آثار مشهور شبیه است یا خیر.
- فعالان حوزه حقوقی باید روی تفاوت بین «یادگیری الگو» و «حفظ داده» در مدل‌های زاینده تمرکز کنند.
- کسب‌وکارهایی که بر پایه داده‌های scrape شده بنا شده‌اند، باید استراتژی جایگزینی داده‌های غیرقانونی را تدوین کنند.
اما این نبرد حقوقی تنها بخشی از ماجراست؛ اثر این حکم بر استانداردهای آموزشی مدل‌های متن‌باز را در گزارش بعدی بررسی خواهیم کرد.
گفتگو