Копировать нельзя обучать: проблема обучения искусственного интеллекта с позиций авторского права

Введение

Искусственный интеллект — это «новый черный» в юриспруденции, особенно в сфере интеллектуальной собственности. По влиянию на право его появление сравнимо с такими вехами, как изобретение Гутенбергом книгопечатного станка или создание первых компьютерных программ. Эти технологические достижения не только изменили правовую систему, но и способствовали развитию новых доктрин.

Поэтому неудивительно, что сегодня множество статей, конференций и круглых столов посвящены вопросам права искусственного интеллекта. Основное внимание уделяется тому, как существующее законодательство регулирует отношения, связанные с искусственным интеллектом (далее также — ИИ), и требуется ли его адаптация.

Большинство российских исследований сосредоточено на анализе выходных данных ИИ (output): охраняются ли результаты его работы авторским правом и кто несет ответственность за них². Однако вопросы обучения ИИ (input) и связанные с этим юридические аспекты в доктринальных обсуждениях пока практически не затрагиваются, а если и попадают в фокус, то с применением большого количества антропоморфных и иных риторических метафор, вместо точного технического и юридического анализа (Murray, 2025). Настоящая статья стремится восполнить этот пробел, хотя бы для отечественной доктрины, ввести ключевые понятия и обозначить правовые проблемы обучения ИИ. Для этого она будет разделена на следующие части.

1. Технические особенности работы и обучения генеративной нейросети.

С учетом того что любой существующий на данный момент искусственный интеллект — это по сути программа для ЭВМ, пусть и более сложная по сравнению с другими, технологические особенности диктуют правовое осмысление. Невозможно понять, когда происходит нарушение прав на программу, не разобравшись в категории исходного кода, и невозможно корректно применить положения открытых лицензий (open source) без понимания, что такое статическая и динамическая компоновка такого кода.

2. Формально-юридический анализ обучения ИИ с точки зрения гражданского права.

Несмотря на отсутствие прямого и однозначного ответа на вопрос о правомерности обучения искусственного интеллекта на объектах авторского права, действующее законодательство и правоприменительная практика создают предпосылки для формирования обоснованной позиции посредством системного толкования. Анализируя нормы авторского права в совокупности с исключениями, ограничениями и целями правовой охраны, можно сформулировать правовую оценку допустимости использования охраняемых произведений в процессе машинного обучения, даже при отсутствии специальных положений, прямо регулирующих данную сферу.

3. Анализ мировых подходов к обучению ИИ.

Третья часть будет посвящена зарубежной практике, в частности примеру Евросоюза, США и Японии, где уже неоднократно поднималась проблема влияния новых технологий на интересы авторов и общества.

4. Политико-правовые аргументы.

Четвертая часть статьи включает анализ ключевых политико-правовых аргументов, выдвигаемых как в поддержку, так и против идеи свободного обучения искусственного интеллекта на объектах авторского права и смежных прав. В центре внимания окажутся вопросы баланса между стимулированием инноваций и сохранением справедливой правовой охраны творческого труда, а также соотношение публичных и частных интересов в цифровую эпоху.

1. Технические особенности работы и обучения генеративной нейросети

Для начала нужно договориться о терминах. Так, в дальнейшем под искусственным интеллектом (ИИ), нейросетями будет иметься в виду генеративный искусственный интеллект вроде ChatGPT, Midgorney или GitHub Copilot³.

Разберемся, что именно подразумевается под процессом генерации ответа и обучения⁴.

1.1. Описание процесса генерации ответа

Как нейросеть создает ответ? Лучше всего это можно понять из сравнения ИИ с интернет-поисковиком. В отличие от обычного поисковика, который просто ищет информацию по ключевым словам и может лишь «угадывать» запрос на основе истории поиска и популярных запросов, генеративный ИИ в виде чат-бота, как следует из названия, может вести диалог и генерировать идеи и тексты по запросу. Его революционность заключается в способности не только составлять формально «осмысленные» предложения, но и учитывать предыдущие диалоги. После получения запроса нейросеть не извлекает похожие фрагменты текста из базы данных, а каждый раз генерирует новый ответ, исходя из контекста. ИИ анализирует вес каждого слова в предложении и их порядок, что помогает ему «понимать» смысл (Garbacea & Mei, 2020).

Процесс генерации ответа можно описать следующим образом.

1. Токенизация текста:исходный запрос разбивается на токены (минимальные смысловые единицы), например слова в единственном числе и именительном падеже (Gastaldi et al., 2024).

Нейросеть разбивает текст на отдельные слова и превращает их в токены, минимальные смысловые единицы. Например, запрос «Напиши мне список самых известных женщин в истории науки» разбивается на токены вроде «на», «пиши», «список», «женщин», «история» и т. д. Затем ИИ удаляет лишние части, чтобы уменьшить величину запроса, а также определяет части речи. В итоге остается что-то вроде «список (существительное), самый (прилагательное), известный (прилагательное), женщина (существительное), наука (существительное)». Такой подход помогает ускорить процесс генерации ответа.

2. Преобразование токенов в векторы:каждому токену соответствует числовое представление, позволяющее анализировать связи между словами⁵.

Токены преобразуются в векторы — числовые наборы, которые нейросеть заранее назначает каждому слову в процессе обучения. По сути, нейросеть создает связи между словами на основе того, насколько осмысленно они могут быть использованы вместе. Например, токены «мама», «родить» и «дочь» будут находиться близко друг к другу, а «мама» и «люминесценция» — далеко.

3. Алгоритмическая обработка:векторы проходят через множество алгоритмов, которые оценивают их значение в контексте запроса.

Далее эти векторы проходят через внутренние алгоритмы ИИ, которые строят черновые версии будущего ответа. Это можно представить как процесс, в котором слова пропускаются через множество фильтров, чтобы в итоге создать цельную фразу. На этом этапе ИИ взвешивает значение каждого слова и сопоставляет их между собой, чтобы лучше понять, как они связаны и какой контекст создается.

4. Генерация ответа:ИИ поочередно формирует слова ответа, проверяя их соответствие запросу и контексту (Khoshnoodi et al., 2024).

В конце нейросеть начинает последовательно генерировать каждое слово, учитывая все предыдущие этапы: введенный запрос, векторные представления слов, знания из базы данных и другие факторы. Важно, что после добавления каждого слова ИИ проверяет, насколько оно соответствует исходному запросу, предыдущим словам и возможным следующим словам. Этот процесс продолжается до тех пор, пока нейросеть не решит, что текст достаточно подходит для ответа на вопрос.

Таким образом, генерация ответов нейросетью чем-то напоминает процесс формирования человеческой речи: шаг за шагом, слово за словом, пусть и зависит от заранее определенных алгоритмов. Благодаря усилиям разработчиков и людей, участвовавших в обучении ИИ, современный ИИ научился распознавать не только грамматику и пунктуацию, но даже форматирование, фонетические особенности и использование слов в различных контекстах.

1.2. Описание технического процесса обучения ИИ

Как видно из описания процесса генерации ответов ИИ, ему не требуется доступ к оригинальным произведениям для работы. Нужна не сама охраняемая форма, а скорее то, что находится за этой формой произведения. ИИ необходимы метаданные, такие как статистические закономерности, паттерны, принципы и методы, на основе которых создаются произведения. Иными словами, обучаясь, генеративный искусственный интеллект не загружает себе в память целую базу копий произведений, используемых для обучения, а раскладывает эти произведения на составляющие для формирования абстрактных данных, из которых в конце концов и получаются веса ИИ, т. е. абстрактные закономерности, необходимые для генерации ответов. Это можно сравнить с обучением человека: мы изучаем методы, идеи и принципы, не запоминая дословно каждую страницу книги. Достаточно понять идеи, технические приемы и методы, которые использовались для их создания⁶.

Нейросети, как и люди, могут обучаться двумя способами: с учителем (supervised learning) и без него (unsupervised learning).

Обучение с учителем — это тип машинного обучения, при котором нейросеть обучается на размеченных данных, т. е. на данных, где входные данные и правильные ответы заранее известны (Zhang et al., 2023; Gunel et al., 2020).

Предположим, у нас есть набор данных с текстами, и каждый текст уже имеет метку, показывающую его категорию, например предложения:

Входные данные (текст): «Юрист пишет».

Правильный ответ (метка): «Исковое заявление».

Нейросеть будет обучаться на таких примерах, чтобы правильно предсказывать ответ для нового текста, основываясь на уже известных примерах.

Обучение без учителя — это тип машинного обучения, при котором нейросеть работает с неразмеченными данными, т. е. не содержащими меток или классов (Ge et al., 2023)⁷. В отличие от обучения с учителем, где данные имеют известные метки (например, изображение юриста, пишущего исковое заявление, и человека, пишущего картину), в этом случае нейросеть должна самостоятельно находить структуру и закономерности
в данных.

На протяжении обучения параметры нейросети (веса или векторы) обновляются так, чтобы лучше отражать структуру данных, но не сами данные⁸.

Именно потому, что ИИ не зависит от прямого воспроизведения исходных данных, он может имитировать диалог с человеком по любому вопросу. После того как модель усваивает внутреннюю структуру данных, она может использовать эту структуру для создания ответов на другие вопросы и в различных областях. Однако это является как преимуществом, так и ограничением любого ИИ. Будучи ограниченным структурой данных, на которой он обучался, ИИ может применять эту структуру и к другим ситуациям, что приводит к ошибкам и различным смешным генерациям. Несмотря на то что современные ИИ могут имитировать понимание контекста, они на самом деле не могут истинно понимать его или придавать ему значимость, как это способен делать человек⁹.

Следует понимать, что процесс обучения искусственного интеллекта практически никогда не завершается на этапе общего (pretraining) обучения. После него нередко следует этап специализированного дообучения (fine-tuning) — адаптации модели к конкретной задаче, стилю или предметной области. При этом модель сохраняет общие языковые и логические паттерны, приобретенные ранее, но дополнительно уточняет свои алгоритмы на основе паттернов целевого корпуса данных. Как правило, fine-tuning реализуется в форме обучения с учителем (supervised learning), где модели предъявляются пары «ввод — желаемый ответ», отдельные методы которого могут снижать способность модели к обобщению, усиливая вероятность воспроизведения фрагментов обучающей выборки или прививая предвзятость в отношении конкретных формулировок и ответов (см., например: Li et al., 2025; Chen et al., 2025). Однако в случае узкоспециализированных моделей, разработанных для решения конкретных задач, подобные техники целевого обучения могут существенно влиять на качество, этичность и правовую нейтральность результатов. Следует сразу уточнить, что то, что называется «запоминанием» модели, даже в случае большинства вариантов дообучения фактически является необычно высоковероятностими последовательностями (при этом уже вероятность в 0,5% или даже ниже может считаться необычно высокой) (Cooper, Gokaslan, et al., 2025, pp. 22–21). Поэтому даже тогда нельзя говорить о фактическом воспроизведении работ в памяти моделей на этапах до генерации. Исключением здесь является совмещение генеративной модели ИИ с Retrieval-Augmented Generation (RAG) — архитектурой для генерации текста, в которой языковая модель дополняется модулем поиска. Вместо того чтобы полагаться только на свою «память» (внутренние параметры), модель во время генерации динамически извлекает информацию из внешней базы знаний и использует ее для формирования более точных, обоснованных и актуальных ответов (Lewis et al., 2020; Izacard & Grave, 2021). В этом случае дообучение модели может осуществляться для того, чтобы модель лучше классифицировала и находила информацию во внешней базе данных и выводила ее пользователю по запросу.

Для улучшения работы нейросетей и их выходных данных применяются различные алгоритмы. Приведу несколько из них.

Градиентный спуск (Gradient Descent) — это основной способ уменьшения ошибок при генерации ответа (Zhang, 2024). Под градиентом понимается математическая величина, отражающая то, насколько предсказания нейросети отличаются от реальных фактов. В процессе обучения нейросеть строит предсказания, и последние сравниваются с реальными значениями. Разница между ними — это ошибка. Например, если нейросеть пытается предсказать цену товара, ошибка — это разница между предсказанной и реальной ценами. Градиентный спуск указывает направление изменения весов нейросети, при котором ошибка уменьшается или увеличивается¹⁰.

Обратное распространение (Backpropagation) — метод, который помогает нейросети учиться на своих ошибках (Li, 2024). Когда сеть делает ошибку, она «отматывает» ее назад через свои уровни и корректирует настройки (веса), чтобы в следующий раз справиться лучше¹¹. Обычно используется вместе с градиентным спуском.

Адаптивные методы оптимизации (Adaptive Optimization Methods). Так называются более умные способы обучения. Алгоритмы вроде Adam¹² или RMSprop¹³ могут менять скорость обучения¹⁴ в зависимости от ситуации, помогая сети быстрее находить решения¹⁵.

Стохастический градиентный спуск с импульсом (SGD with Momentum) представляет собой улучшение стандартного метода. В классическом градиентном спуске веса модели обновляются, двигаясь в направлении минимизации ошибки. Однако на практике в больших наборах данных используется стохастический градиентный спуск (SGD), который обновляет веса не на основе всего набора данных, а на основе случайно выбранных подмножеств данных. Это ускоряет обучение, но оно может стать нестабильным, так как каждый шаг может быть немного «шумным» и не всегда направлен к оптимальному решению.

Метод стохастического градиентного спуска с импульсом решает проблему нестабильности, добавляя «память» о предыдущих обновлениях. Вместо того чтобы делать шаги в случайном направлении (как при обычном SGD), он учитывает предыдущие шаги, добавляя некоторую инерцию или импульс, чтобы сделать обучение более стабильным и быстрым¹⁶.

Таким образом, нейросеть представляет собой сложную систему взаимосвязей между минимальными единицами данных (например, словами в тексте или пикселями в изображении), но не хранит оригинальные произведения в структурированном виде. Как видно из алгоритмов улучшения работы нейросетей, после загрузки исходных закономерностей эти данные не могут быть использованы в «голом виде». ИИ необходимо проделать еще множество этапов работы, которые зависят не только от исходных данных, но и от конкретной нейросети, ее внутренних алгоритмов, а также от количества ошибок, выявленных в процессе генерации.

Поэтому утверждать, что обученная нейросеть содержит произведение, — это всё равно что сказать, будто в каждом букваре содержится «Война и мир» только потому, что эта книга состоит из тех же букв, что и букварь.

Это подтверждается результатами недавнего исследования (Cooper, Gokaslan, et al., 2025), в котором была протестирована способность нескольких генеративных моделей (включая LLaMA, DeepSeek, Gemma и др.) воспроизводить фрагменты различных произведений, как находящихся в общественном достоянии, так и охраняемых авторским правом на момент проведения эксперимента. В большинстве случаев книги, использованные в тестировании, демонстрировали минимальное присутствие в «памяти»¹⁷ моделей¹⁸.

1.3. Этапы обучения ИИ

Соответственно, процесс обучения ИИ нужно разделить на несколько этапов.

Первый этап — это сбор данных, которые содержат полезную информацию, необходимую для дальнейшего обучения модели.

Второй этап — интеллектуальный анализ данных (text and data mining)¹⁹, процесс автоматизированного анализа больших объемов данных с целью извлечения полезной информации, такой как закономерности, тенденции, связи и корреляции. Может включать обработку как структурированных, так и неструктурированных данных (например, текстов, изображений, видеозаписей и других типов данных). В результате этого анализа создается база данных, которая содержит не сами произведения, а лишь извлеченную информацию — метаданные.

Третий этап — это обучение модели. На основе полученных метаданных создается система взаимосвязей, позволяющая модели делать предсказания и генерировать результаты.

Первый и второй этапы взаимосвязаны между собой и могут быть реализованы разными способами. Например, можно собрать «сырые данные», включая охраняемые произведения, на сервере, а затем провести их анализ. В этом случае, очевидно, на сервере будут создаваться копии этих данных, что может повлечь за собой нарушение права на воспроизведение объектов авторского права.

С другой стороны, если объект доступен для «технического» свободного посещения, т. е. он был доведен до всеобщего сведения, можно предоставить доступ к такому объекту программе для анализа. В этом случае программе не нужно создавать копию произведения в своей базе данных. Ей достаточно просто просканировать объект и сохранить только метаданные, которые затем могут быть использованы на третьем этапе в процессе обучения ИИ.

Следовательно, неверно утверждать, что ИИ «содержит произведения, на которых он был обучен». На самом деле ИИ хранит только информацию, полученную в результате анализа этих произведений (Cooper & Grimmelmann, 2024, p. 14–44).

Тем не менее тот факт, что модель ИИ не сохраняет сами произведения, на которых она обучалась, не означает, что она не может воспроизвести их при составлении ответа. Здесь снова уместно сравнение с человеком. Любое лицо, обладающее определенными навыками, может воспроизвести картину или текст, посмотрев на них и разобравшись в технике их выполнения. Однако интенция воспроизведения и само воспроизведение — это разные ситуации.

2. Формально-юридический анализ обучения ИИ с точки зрения гражданского права

2.1. Использование объекта авторских прав для обучения ИИ

Для определения возможного нарушения авторских прав при обучении ИИ необходимо понять, что охраняется российским законодательством в сфере авторских прав и какие действия могут считаться их нарушением. Так, согласно п. 1 ст. 1270 Гражданского кодекса РФ²⁰ (ГК РФ) автору произведения или иному правообладателю принадлежит исключительное право использовать произведение в любой форме и любым не противоречащим закону способом. Здесь можно выделить два критерия: что использоваться должно произведение и что произведение должно использоваться.

Общеизвестный постулат российского авторского права: «авторское право защищает форму произведения, но не его содержание»²¹. Данная позиция исходит из п. 5 ст. 1259 ГК РФ, не распространяющего авторско-правовую охрану на идеи, концепции, принципы, процессы, системы, способы, решения технических, организационных или иных задач и пр.²² К этой норме также примыкают и общие положения о том, что произведение подлежит авторско-правовой охране, если оно получено в результате творческого труда (ст. 1257 ГК РФ) и выражено в объективной форме (п. 3 ст. 1259 ГК РФ), при этом часть произведения будет охраняться только в том случае, если она может быть признана самостоятельным результатом творческого труда автора (п. 7 ст. 1259 ГК РФ).

Эти положения российского законодательства отражают результаты давней дискуссии о том, что и как охраняется авторским правом. Начиная с работ И. Фихте, произведение стало рассматриваться как абстрактный (идеальный) объект, не привязанный к какой-либо материальной форме (Peukert, 2021 р. 258). После создания оно существует вне времени и пространства, а каждая его манифестация в объективном мире (будь то телесная, цифровая или пространственная форма) всего лишь копия этого идеального объекта. В данной парадигме исключительное право на такое произведение — это прежде всего право контролировать его коммерческое использование (Dozortsev, 2003, p. 112). Однако, поскольку этот объект абстрактен и не является уникальным, как, например, движимые вещи, где вопросы незаконного заимствования одного объекта в другом не могут возникнуть, распространение абсолютных прав на произведение в целом — на каждую его часть — привело бы либо к полной невозможности охраны, либо к полной невозможности дальнейшего творчества. Как шутят филологи, каждое европейское произведение включает в себя отсылки или повторения сюжетов христианской Библии. Конечно, это шутка, но в каждой шутке есть доля утки (правды). Действительно, любое произведение не создается в полном вакууме, а является, как выразился Р. Барт, «текстом в тексте»²³, т. е. оно остается внутренне связанным с прошлыми произведениями.

Поэтому произошло разделение на охраняемую форму и неохраняемое содержание. Любое произведение, как правило, состоит из совокупности как охраняемых, так и неохраняемых элементов. Исходя из этого, использование произведения и, соответственно, нарушение прав на произведение могут иметь место только в тех случаях, когда задействованы именно охраняемые элементы. Неохраняемые элементы, в свою очередь, не являются частью произведения в юридическом смысле этого слова.

Как можно было заметить, слово «произведение» использовалось в двух разных значениях. Во-первых, как результат творческого труда в обыденном языке и, во-вторых, как объект гражданских прав. Причем два соответствующих понятия не совпадают по объему. Точно так же сто́ит рассматривать и слово «использование». Несмотря на то, что согласно ст. 1270 ГК РФ правообладатель имеет исключительное право контролировать использование произведения любым способом и для любой цели, как в доктрине, так и в судебной практике значение термина «использование» оказывается более узким, чем в повседневной речи²⁴. Так, в соответствии с п. 3 ст. 1270 ГК РФ «практическое применение положений, составляющих содержание произведения, в том числе положений, представляющих собой техническое, экономическое, организационное или иное решение, не является использованием произведения…». Эта норма подчеркивает, что простое использование идей или решений, заложенных в произведении, не является нарушением авторских прав, если эти идеи или решения не выражены в конкретной форме произведения.

Кроме того, существует различие между использованием и потреблением произведений (Pavlova, 2018, p. 238). Под потреблением понимается сам процесс восприятия произведения, например чтение книги, просмотр произведения искусства или аудиовизуального произведения. Этот процесс не воспринимается доктриной как использование, несмотря на отсутствие явного положения об этом в позитивном праве.

Анализируя пункт 2 ст. 1270 ГК РФ, в котором приводится открытый перечень способов использования произведений, можно свести все эти способы либо к фактическому созданию копии, либо к доведению копий до потенциальных потребителей. Все виды использования, указанные в статье, за исключением, возможно, сдачи в прокат и импорта²⁵, могут быть рассмотрены как различные формы воспроизведения произведения.

Это могут быть долговечные копии произведения или его частей (например, воспроизведение по смыслу подп. 1 и 2 п. 2 ст. 1270 ГК РФ, распространение, доведение до всеобщего сведения, такое как загрузка произведения в Интернет, переработка, практическая реализация архитектурного проекта и т. д.). Также это могут быть кратковременные копии, например публичный показ, сообщение в эфир, сообщение по кабелю, ретрансляция и другие формы временного использования.

Тем не менее в любом случае при использовании произведения появляется новая копия в материальном мире либо эта копия представляется на показ так, чтобы множество людей имело доступ ко всему произведению (т. е. могли потребить его, не создавая собственную копию, что, как мы отметили ранее, не является использованием в юридическом смысле).

Соответственно, применение произведения в этих двух случаях (создание копии или представление копии на показ) можно считать использованием в юридическом смысле, и нарушение авторских прав имеет место, если такое использование происходит без согласия правообладателя.

Это также косвенно подтверждается тем, что в ст. 1273–1280.1 ГК РФ устанавливаются исключения для создания копий или предоставления доступа к кратковременным копиям (например, публичное исполнение). Это логично, поскольку исключения для свободного использования произведений вводятся только в тех случаях, когда по общему правилу было бы нарушение авторских прав. Если же в юридическом смысле какое-то действие не подпадает под определение использования, то и ограничений на него не требуется²⁶.

Из этого можно сделать вывод, что нарушением имущественного права на произведение будет такое использование охраняемых элементов произведения, при котором создается новая копия этого элемента либо элемент становится доступным для публичного потребления, если это произошло без согласия автора.

Ввиду того что процесс обучения ИИ можно разделить на три этапа, нарушение прав правообладателей может произойти только в случае, если к произведению был незаконно получен доступ или оно было воспроизведено без согласия правообладателя. Метаданные, полученные на втором этапе, и сам процесс обучения ИИ на этих метаданных не могут нарушать исключительное право, так как метаданные и сам процесс обучения не являются частью юридического объекта, на который распространяется исключительное право. Таким образом, использование метаданных для обучения ИИ не нарушает авторские права, поскольку метаданные не являются охраняемым произведением, а процесс обучения — не использование произведения в юридическом смысле.

2.2. Использование базы данных как объекта смежных прав для обучения ИИ

Впрочем, ситуация меняется, если второй этап обучения нейросети осуществляется на базе данных, которая является объектом смежного права. В отличие от авторского права смежные права представляют собой объект охраны sui generis (самостоятельной, особенной охраны), поскольку они защищают не творческий труд и связь автора с произведением, а коммерческий интерес, который оформлен в виде исключительного права.

Пункт 1 ст. 1334 ГК РФ устанавливает особое содержание исключительного права на базу данных. Теперь это не использование любым способом и для любой цели, как в случае с авторским правом, а только существенное извлечение материалов из базы данных или полное копирование базы данных. При этом в п. 1 и 3 ст. 1335.1 ГК РФ специально оговорено, что извлечение несущественной части базы данных не считается нарушением исключительного права изготовителя базы данных, если такие действия не противоречат нормальному использованию базы данных и не ущемляют необоснованно законные интересы изготовителя базы данных.

Для того чтобы понять, является ли извлечение метаданных нарушением прав правообладателя базы данных, нужно ответить на следующие вопросы:

• являются ли метаданные, используемые для обучения ИИ, частью материалов базы данных;
• если да, то является ли извлечение этих метаданных существенным;
• если нет, то ущемляют ли такие действия необоснованно законные интересы правообладателя базы данных?

Само определение базы данных подразумевает, что это структурированная информация, организованная по определенному принципу. Для целей охраны базы данных эта информация может быть разнообразной, начиная от сметных цен на ресурсы и заканчивая охраняемыми объектами авторских прав, независимо от того, защищены ли они другими правовыми режимами (Kalyatin, 2023, pp. 20–21).

Метаданные также могут быть собраны и структурированы таким образом, чтобы они могли получить охрану в качестве базы данных. Однако для этого необходимо, чтобы база данных изначально создавалась с намерением структурировать информацию, содержащую метаданные, которые будут использованы для обучения ИИ. Это подтверждается пунктом 1 ст. 1334 ГК РФ, который распространяет исключительное право только на те базы данных, создание которых «требует существенных финансовых, материальных, организационных или иных затрат». Логично, что исключительное право на базу данных принадлежит ее создателю только в том случае, если формирование этой базы данных потребовало значительных затрат. Исключительное право не возникает на данные, которые потенциально могут быть включены в базу. Если база данных содержит информацию, которая была собрана не с целью обучения ИИ, а для других нужд, то для появления необходимых метаданных нужно провести ее анализ. Метаданные — это всегда результат анализа, осуществляемого внешним наблюдателем (в данном случае специальной программой), а не просто данные, хранящиеся в базе.

Из этого следует и ответ на вопрос, является ли интеллектуальный анализ данных существенным извлечением материалов из базы данных: нет, за исключением случаев, когда сама база состоит из таких метаданных. Ведь, как уже говорилось, правовой режим охраны базы данных защищает коммерческие усилия правообладателя, связанные с ее сбором. Если метаданные не собирались в базу изначально, это означает, что составитель базы данных не вкладывал достаточных коммерческих усилий, которые подлежат защите в рамках смежного права²⁷.

Частично это касается и ответа на вопрос, ущемляют ли такие действия законные интересы правообладателя базы данных. С одной стороны, ущемления не будет, если предположить, что владелец обычной базы данных не вкладывал коммерческих усилий в создание метаданных, необходимых для обучения ИИ. В таком случае действия, направленные на использование этих метаданных, не могут считаться нарушением интересов правообладателя.

С другой стороны, можно представить случаи, когда сам процесс анализа (шаг 2) может нарушить законный интерес правообладателя. Этот интерес заключается в обеспечении нормального использования базы данных. Если интеллектуальный анализ, необходимый для извлечения метаданных, создает чрезмерную нагрузку на базу и это приводит к значительным трудностям в ее использовании (например, она начинает слишком долго загружаться, перезагружается или замедляется), то такой интеллектуальный анализ можно рассматривать как нарушение законных интересов правообладателя.

Резюмируем: для обучения модели ИИ нужны не сами материалы базы данных, а только абстрактные метаданные, полученные в процессе интеллектуального анализа. Извлечение таких метаданных не является извлечением существенной части базы данных, поскольку таковым считается извлечение материалов, составляющих саму базу данных. Следовательно, извлечение метаданных, как правило, не нарушает законных прав и интересов изготовителя базы данных, за исключением нескольких специфичных случаев:

• если база данных была специально собрана для обучения ИИ и выдача лицензий на такое использование является основным имущественным интересом правообладателя;
• если анализ создает слишком большую нагрузку на базу данных, затрудняя её использование другими пользователями (например, замедляя ее работу);
• если доступ к базе данных был получен неправомерным путем, например с обходом технических средств защиты.

В остальных случаях такое использование базы данных не должно считаться нарушением прав.

3. Анализ мировых подходов к обучению ИИ

3.1. Европейский подход

В Европе была принята Директива об авторском праве на Едином цифровом рынке²⁸, которая определяет интеллектуальный анализ данных (text and data mining) как «любой автоматизированный аналитический метод, направленный на анализ текста и данных в цифровой форме с целью получения информации, включая закономерности, тенденции и корреляции, но не ограничиваясь ими» (п. 2 ст. 2). Это можно рассматривать как юридическое описание части процесса обучения искусственного интеллекта (Rosati, 2019, pp. 200–201). Как уже упоминалось, нейросеть при обучении не воспроизводит объекты анализа напрямую, а извлекает из них различные корреляции и паттерны, чтобы затем использовать эти метаданные для предсказания и генерации новых работ.

Пункт 1 ст. 4 Директивы об авторском праве в целом разрешает временное воспроизведение и извлечение произведений²⁹ «для целей интеллектуального анализа текста и данных» при условии, что

• совершается анализ произведения, доступ к которому был получен правомерно;
• создаваемые копии используются только в целях анализа;
• правообладатель не предусмотрел явного и ясного отказа от такого интеллектуального анализа в машиночитаемом виде³⁰.

Таким образом, данное положение Директивы не ограничивает интеллектуальный анализ какой-либо конкретной целью³¹. Анализ может проводиться для любых целей, будь то коммерческие или некоммерческие.

Другое исключение содержится в ст. 3 Директивы, которая устанавливает возможность свободного интеллектуального анализа правомерно доступных произведений³² в научных и исследовательских целях, если он совершается организациями культурного наследия или исследовательскими организациями³³. В отличие от исключения ст. 4 правообладатели не могут ограничить возможность использования произведений в научных целях, что обусловлено конкретной целью этого исключения.

Соответственно, можно выделить следующие различия между ст. 3 и 4 Директивы об авторском праве:

• Цель использования. Статья 3 ограничена только научными и исследовательскими целями, в то время как статья 4 охватывает все цели, включая коммерческие.
• Ограничения для правообладателей. В ст. 3 правообладатели не могут ограничить использование произведений, тогда как в ст. 4 они могут установить ограничения с помощью машиночитаемых средств или условий использования.
• Тип использования. Статья 3 ориентирована на некоммерческую деятельность³⁴, а статья 4
  допускает коммерческое использование.

Европейский законодатель ясно выразил намерение распространить ограничения, содержащиеся в Директиве, на создание баз данных для обучения искусственных нейронных сетей в Регламенте об искусственном интеллекте³⁵. Согласно подп. (с) п. 1 ст. 53 этого Регламента «поставщики моделей искусственного интеллекта общего пользования обязаны разработать стратегию, в частности, для выявления и соблюдения ограничений, предусмотренных пунктом 3 ст. 4 Директивы об авторском праве на Едином цифровом рынке». Было бы странным утверждать, что эти ограничения не применяются, при этом обязывая всех разработчиков следовать стратегии по их соблюдению.

Таким образом, в Директиве уже предусмотрен баланс интересов, выбранный Европейским Союзом. Извлечение метаданных с помощью технических средств разрешено, и их дальнейшее использование также допускается, за исключением случаев, когда правообладатель явно запретил такой анализ. Либо разрешение правообладателя не имеет значения, но в этом случае лицо, которое производит интеллектуальный анализ, должно делать это в некоммерческих научных целях.

3.1.1. Дело «Кнешке против LAION»

Данный подход уже был частично апробирован в немецкой судебной практике³⁶.

Немецкий фотограф Роберт Кнешке обнаружил, что несколько его фотографий были включены в набор данных, который использовала исследовательская организация LAION для обучения искусственного интеллекта. Р. Кнешке утверждал, что процесс создания набора данных включал временное копирование изображений для извлечения информации и что такие действия равносильны нарушению его авторских прав.

Позиция истца (Кнешке)

Создание временных копий его фотографий без согласия нарушает авторское право, так как эти действия подпадают под понятие «воспроизведение» в соответствии с Законом об авторском праве Германии³⁷ и не покрываются существующими ограничениями авторского права согласно § 44a³⁸, 44b³⁹, 60d UrhG⁴⁰.

Временное копирование в целях анализа данных не может считаться правомерным: оно, во-первых, не является достаточно кратковременным (§ 44a UrhG), а во-вторых, не соответствует определению интеллектуального анализа данных (§ 44b UrhG), поскольку предполагает использование самого содержания произведений, что прямо запрещено.

Деятельность ответчика не может рассматриваться как некоммерческая. Члены ассоциации, включая руководство, связаны с коммерческими структурами и работают в области технологий и искусственного интеллекта. Созданная база данных размещена в открытом доступе и используется коммерческими организациями. Более того, проект частично финансировался из коммерческих источников, включая выплату в размере 5000 долл. США за предоставление предварительной версии базы одному из членов ассоциации. Также отсутствуют признаки научной деятельности. База данных не содержит оригинального научного вклада и лишь агрегирует материалы из других источников. Ответчик не представил доказательств того, что база применялась при подготовке научных публикаций или других исследований с признанной научной ценностью. Истец утверждает, что работа по сбору и обработке данных имела исключительно технический, а не исследовательский, характер и не была направлена на создание нового знания, как научная деятельность.

Использование его фотографий для обучения нейросети противоречит действующим исключениям, в том числе по причине наличия на сайте явного запрета на подобное использование. Кроме того, массовое применение этих изображений в целях обучения ИИ подрывает нормальную коммерческую эксплуатацию произведений.

Позиция ответчика (LAION)

Использование изображений для анализа не затрагивало содержания произведений и было ограничено обработкой метаданных. Это соответствовало технической цели — сопоставлению визуальной информации с текстовыми описаниями — без вмешательства в охраняемую форму выражения.

Отдельно следует указать на отсутствие машиночитаемого запрета. Условия использования, на которые ссылается истец, не были сформулированы явно и не соответствовали требованиям § 44b(3) UrhG. Они были изложены на естественном языке, что делает их доступными только для восприятия человеком, но не машинной системой. Следовательно, отсутствует юридически значимый запрет в форме, поддающейся автоматическому распознаванию.

Деятельность ответчика можно обоснованно квалифицировать как научную в смысле § 60d UrhG. Создание базы данных было направлено на развитие технологий искусственного интеллекта и поддержку исследовательских инициатив. Сам факт, что база распространяется свободно и безвозмездно, свидетельствует о некоммерческом характере проекта. Более того, ее открытое предоставление способствует возможности других исследователей разрабатывать, тестировать и совершенствовать ИИ-модели, используя общедоступный научный ресурс.

База данных не только служит техническим инструментом, но и сама по себе представляет основу для научных исследований. Процесс ее создания и последующего использования соответствует общепринятым критериям научной деятельности. В 2022 г. была опубликована рецензируемая статья, описывающая методологию формирования базы, и она получила широкое признание в академическом сообществе: количество ее цитирований превысило 1400 (Schuhmann et al., 2022). Разработанные на базе этого ресурса инструменты применяются для анализа механизмов обучения ИИ и углубленного понимания его моделей.

Наконец, нельзя согласиться с утверждением о коммерческом характере деятельности ответчика. Связи отдельных участников проекта с коммерческими структурами не означают институциональную коммерческую заинтересованность: их работа в ассоциации носит добровольный, неприбыльный характер. Финансовая поддержка от одной из компаний (в размере, например, 5000 долл. США) не предполагает управленческого контроля или влияния на принятие решений.

Публичный характер распространения базы данных также не свидетельствует о коммерческом подходе. Использование базы третьими лицами, включая коммерческие организации, происходит вне контроля и участия ответчика, без предварительных договоренностей и без получения прибыли. Ассоциация не занимается продажей базы и не использует ее в целях создания собственных коммерческих продуктов.

Решение суда

Суд первой инстанции Гамбурга постановил, что действия LAION не нарушают авторских прав истца, так как они полностью подпадают под исключение, предусмотренное § 60d UrhG на следующих основаниях.

• Цель научного исследования(§ 60d(1)UrhG). Суд установил, что создание базы данных и анализ данных проводились для целей научного исследования. Эти действия способствовали развитию технологий искусственного интеллекта и созданию открытого ресурса для исследователей. Суд отклонил довод о том, что сам сбор данных и извлечение метаданных нельзя признать научной деятельностью⁴¹.
• Некоммерческий характер деятельности(§ 60d(2) UrhG). Суд принял во внимание, что ответчик является некоммерческой ассоциацией, которая предоставляет данные бесплатно. Доказательств коммерческой направленности деятельности ответчика истцом представлено не было. Использование базы данных коммерческими структурами не определяет деятельность ответчика как коммерческую, так как данные предоставлялись на равных условиях всем пользователям⁴².
• Отсутствие контролирующего влияния коммерческих организаций(§ 60d(2)(3) UrhG). Суд отклонил доводы истца о том, что коммерческие компании имели определяющее влияние на деятельность ответчика. Наличие связей между отдельными членами ассоциации и коммерческими компаниями не свидетельствует о зависимости ассоциации или предоставлении преимуществ этим компаниям.

Фактически дело было разрешено без рассмотрения по существу других аргументов истца о незаконности интеллектуального анализа данных, т. е. применения § 44a UrhG. Однако в своем obiter dictum суд имплицитно обсудил возможность использования ст. 4 Директивы об авторском праве к данной ситуации.

Суд рассмотрел, как Германия имплементировала ст. 4 Директивы в национальное законодательство, включая § 44b UrhG. В решении подчеркивалось, что:

• 44bUrhG основывается на ст. 4 Директивы, обеспечивая исключения для интеллектуального анализа данных, если произведения были законно доступны и отсутствуют ограничения со стороны правообладателя;
• национальные правила соответствуют духу статьи 4 Директивы, направленной на развитие технологий искусственного интеллекта и поддержку научных исследований.

Суд отметил, что ограничения, введенные правообладателем, должны соответствовать требованиям ст. 4 Директивы в части четкости и недвусмысленности, причем сделаны они должны быть на машиночитаемом языке. Однако опубликованные на сайте фотобанка ограничения соответствовали этим требованиям, даже несмотря на то, что они были изложены на естественном, а не машиночитаемом, языке⁴³.

Кроме того, суд подчеркнул необходимость разделения разных этапов процесса обучения ИИ. В настоящем деле суд указал следующие этапы:

1) создание набора данных (единственного предмета спора здесь), который также может быть использован для обучения ИИ;

2) последующее обучение искусственной нейронной сети в том числе на этом наборе данных;

3) последующее использование обученного ИИ с целью создания нового графического контента.

Каждый этап использования ИИ должен быть подвергнут различной правовой оценке. Вполне можно сказать, что каждый этап будет иметь свои критерии того, что законно и что нет.

Следует также подчеркнуть, что в германском законе анализ текстов и данных в научных целях (§ 60d UrhG) и интеллектуальный анализ данных (§ 44b UrhG) — это, вслед за Директивой, разные способы взаимодействия с произведениями. Так же как и Директива об авторском праве, § 60d UrhG не дает возможности правообладателям отказаться от анализа, но ограничивает цели анализа только научными, а § 44b устанавливает возможность создания временных копий для интеллектуального анализа, но при условии, что нет запрета со стороны правообладателя.

Кроме того, § 44b не говорит о том, что законным использованием является именно сам процесс интеллектуального анализа. Норма указывает именно на разрешение воспроизведения законно доступных произведений для целей такого анализа. Поэтому вполне можно сказать, что и германское право не рассматривает интеллектуальный анализ данных как процесс в качестве использования произведения. Использование появляется только в том случае, если необходимо создание копии произведения для такого анализа.

Очевидно, что если Директива об авторском праве или национальное законодательство не устанавливает специальных ограничений на сам интеллектуальный анализ, то эти ограничения не могут волшебным образом появиться на этапе использования полученных метаданных. Для этого сам интеллектуальный анализ должен быть ограничен определенными целями или способами на законодательном уровне.

3.1.2. Европейский подход — идеальный баланс интересов?

Может показаться, что европейский подход пытается учесть одновременно интересы как разработчиков, так и правообладателей. Действительно, с одной стороны, у разработчиков остается достаточно большое количество материалов, с другой —авторы и правообладатели, которые не хотят, чтобы на их материалах обучались (читай: хотят, чтобы им платили за то, что их материалы подвергнутся интеллектуальному анализу), могут зарезервировать свои права. Но это только на первый взгляд.

Самая большая проблема — это транзакционные издержки⁴⁴ (Senftleben, 2023). Отсутствие возможности обучения без переговоров с авторами означает следующее.

Во-первых, разработчики ИИ должны будут вступать в переговоры с каждым автором по отдельности, чтобы получить его данные для обучения.

Во-вторых, каждый автор постарается получить довольно высокую цену, желательно в виде отчислений, процента от дохода.

В-третьих, с учетом того, что нереально определить, насколько та или иная работа повлияла на конкретную генерацию (и повлияла ли вообще), запрашиваемые цены практически никогда не будут в действительности коррелировать с вкладом конкретного произведения в работу ИИ.

В-четвертых, это приведет к тому, что разработчики либо будут отказываться от использования произведений под запретом, либо пойдут по пути наименьшего сопротивления и будут заключать соглашения только с крупными игроками.

Это, в свою очередь, ставит в невыгодное положение владельцев нишевого и небольшого контента и фактически приносит прибыль только крупным игрокам (Senftleben et al., 2025, p. 15). Легко представить себе сценарий, в котором крупные издательства будут принуждать авторов включать в произведения запрет на обучение, но при этом не будут делиться с ними прибылью, которые они получили от лицензирования произведений.

А с учетом того, что это, в общем, не правовое решение, а политическое, т. е. апеллирует к балансу интересов, как правильно указал М. Сенфтлебен, «механизм резервирования прав п. 3 ст. 4 Директивы не запускает автоматически новый поток доходов для авторов и правообладателей. Это очень простой механизм: заявляя об отказе, владелец авторских прав нейтрализует разрешение на интеллектуальный анализ данных абзаца 1 ст. 4 и восстанавливает исключительное право запрещать использование человеческих произведений для обучения ИИ. С точки зрения двух центральных общественных целей (лучший ИИ и справедливое вознаграждение) это проигрышный сценарий: никаких учебных ресурсов для тренировки ИИ (владелец авторских прав сказал нет) и никакого дополнительного дохода для авторов и правообладателей (статья 4 не предусматривает выплату вознаграждения)»⁴⁵. В этом смысле даже если общество решает, что право на информацию и прогресс должны быть в какой-то степени ограничены для поддержки авторов (по крайней мере в той части, в какой они сами отказываются от участия их работ в обучении), то для таких «исключений из исключений» просто возможность отказа максимально неэффективна, особенно с учетом того, что отсутствует консенсус по ключевым аспектам отказа: кто и как должен выражать отказ, какие технологии признаны допустимыми, где и в какой момент отказ действует (Mezei, 2025).

В таких случаях система государственного/принудительного лицензирования (режим «можно, но платно»), которая принята в некоторых странах, например, для создания каверов⁴⁶, выглядит более эффективной, и к ее закреплению призывают многие авторы, исследующие эти ограничения (Geiger & Iaia, 2024; Riccio, 2024; Senftleben, 2023; Senftleben, 2025)⁴⁷. Однако с учетом чисто правовой стороны вопроса, а также того факта, что на самом деле от лицензирования опять же будут выигрывать скорее крупные правообладатели, чем собственно авторы, гораздо убедительнее те исследователи, которые говорят о необходимости введения «широкого, но при этом четко определенного» теста, при котором можно было бы определять, что то или иное использование является справедливым и добросовестным (Tyagi, 2024, p. 569)⁴⁸, или указывают на неохраноспособность того, что извлекается из произведений при интеллектуальном анализе (Dermawan, 2024; Sag et al., 2024).

Права авторов в данном случае, с учетом публичной природы их интереса, были бы гораздо эффективнее реализованы через публичные механизмы, такие как налогообложение или целевые сборы⁴⁹, взымаемые с разработчиков ИИ. Эти средства могли бы направляться специально на поддержку творчества и свободы самовыражения. Причем взимание сборов должно быть ограничено использованием произведений, чьи авторы выразили отказ от использования их работ для обучения ИИ. Тем самым можно создать ситуацию, при которой отказ будет реально выгоден только тем авторам, которые действительно хотят достигнуть полезного социального эффекта, а не пытаются в очередной раз распространить авторское право на неохраняемые элементы.

Впрочем, даже при этом кажется, что сам по себе полезный эффект от развития ИИ и открытия возможностей для творчества большему количеству людей, у которых есть творческая искра, но отсутствуют необходимые навыки, гораздо больше, чем возможные потери доходов тех авторов, чьи произведения имеют настолько низкую оригинальность, что могут быть реально заменены ИИ, который в принципе не умеет создавать что-то творческое, а только будет делать самое банальное, если его не направит реальный творец.

3.2. Подход США

На июль 2025 г. счет 2:1 в пользу разработчиков ИИ. Несмотря на то что еще множество важных и больших дел⁵⁰ все еще находятся на рассмотрении американских судов, уже по трем из них первая инстанция вынесла свои решения. Два из них касаются генеративных ИИ общего назначения (Bartz v. Anthropic PBC⁵¹ и Kadrey v. Meta Platforms, Inc.⁵²), и одно — генеративного ИИ специального назначения, для работы с юридическими документами и подбором судебной практики (Thomson Reuters Enterprise Centre GmbH et al. v. ROSS Intelligence Inc.⁵³). Однако надо учитывать, что это лишь первая инстанция и сторонам предстоит еще долгий путь в апелляции. В связи с этим гораздо более продуктивным будет обсудить американский подход к авторскому праву и интеллектуальному анализу данных в целом, чем концентрироваться только на указанных делах.

В связи с этим в данной части статьи мы сосредоточимся на следующих вопросах:

1) конституционный анализ обучения ИИ с точки зрения оснований авторского права;

2) можно ли считать использованием включение в базу данных для обучения объектов авторского права в американском праве;

3) если признавать это использованием, то можно ли считать такое использование справедливым (fair use)?

3.2.1. Конституционные основы авторского права в США

Для того чтобы разобраться, как американское право смотрит на интеллектуальный анализ данных и обучение нейросетей, для начала нужно понять, что вообще фундаментально представляет собой американский подход к интеллектуальной собственности. В отличие от континентальных стран, в том числе России, где авторское право представляет собой одно из основных конституционных прав гражданина в силу того, что оно мыслится тем, что Кант называл «естественными правами», т. е. правами, которые неотъемлемо принадлежат любому лицу, исходя из его автономии воли и формального равенства, данная идея была рассмотрена и отвергнута отцами-основателями (Stallman, 2024, pp. 77–86). Вместо этого американский фундамент авторского права пронизан одновременно утилитарными⁵⁴ и локковскими идеями⁵⁵, в соответствии с которыми, с одной стороны, представляется справедливым, что каждый должен получать достойное вознаграждение за свой интеллектуальный труд, а с другой — форма защиты этого вознаграждения должна способствовать прогрессу наук и искусств. В связи с этим положение об интеллектуальной собственности в американской Конституции не носит характера неотъемлемого права, а сформулировано через полномочие Конгресса «содействовать прогрессу науки и полезных искусств, закрепляя на ограниченный срок за авторами и изобретателями исключительные права на их соответствующие произведения и открытия»⁵⁶. Казалось бы, данная разница должна существенно влиять на правовую форму достижения этой утилитарной конституционной цели, однако, к сожалению, она почти не получила должного конституционного осмысления⁵⁷. Вместо этого авторское право начало рассматриваться в качестве простого имущественного права (Carrier, 2004).

Несмотря на отсутствие полной последовательности в американском законодательстве по данному вопросу, можно говорить об имплицитном утилитарном подходе, оказывающем влияние на судебную практику: американские суды, как правило, проявляют крайнюю осторожность в вынесении решений, которые могли бы препятствовать развитию новых технологий или сдерживать научно-технический прогресс. Например, в чрезвычайно важном для развития доктрины добросовестного использования деле Google LLC v. Oracle America, Inc. (2021)⁵⁸ решался вопрос о возможности использования API-интерфейсов⁵⁹ во время разработки для достижения совместимости разных программ, написанных на Java. Судья Томас Брейер прямо указал на то, что если решение было бы принято в пользу компании Oracle, это «рисковало бы нанести вред общественности»: «[если бы] Oracle одна держала бы ключи, результат вполне мог бы оказаться прибыльным для Oracle (или других фирм, имеющих авторские права на программные интерфейсы) ... [но] блокировка помешала бы, а не способствовала, основным творческим целям авторского права»⁶⁰. Судья Брейер определил, что использование Google API соответствовало всем четырем факторам добросовестного использования и что Google использовала «только то, что было необходимо, чтобы позволить пользователям применить накопленные таланты для работы в новой и преобразованной программе».

3.2.2. Можно ли считать обучение использованием с точки зрения американского права?

Федеральное законодательство США не имеет такого широкого определения исключительного права, как континентальные страны. Согласно ст. 106 Закона об авторском праве США владелец авторских прав имеет исключительные права на выполнение и разрешение конкретных действий, установленных в Законе⁶¹.

Иными словами, говорить об использовании по смыслу Закона об авторском праве США можно в том случае, если использование подпадает под один из вышеперечисленных способов. Это позволяет сделать вывод о том, что потребление не будет использованием в том числе и в США⁶². Однако американское понятие воспроизведения включает не столько копирование защищаемых элементов произведения (хотя это тоже учитывается в анализе), сколько конкурентное сходство двух объектов и потенциальную возможность замещения одного объекта другим, если такое сходство было обнаружено. В этом проявляется различие между концепциями охраняемой формы и неохраняемого содержания, принятыми в континентальном праве, и неохраняемой идеи и охраняемого выражения в США. Мы пытаемся выделить конкретные элементы охраняемой формы творчества; для США важно, чтобы существенное сходство было обозначено в зависимости от ответов «обычного разумного человека»⁶³. Как указывал в одном из прецедентов судья Хэнд, авторское право «не может быть ограничено буквально текстом, в противном случае плагиатор избежит наказания за счет несущественных изменений»⁶⁴. Это расширительное, «экономическое» толкование нарушения уравновешивается более абстрактными принципами справедливого использования, а также другими ограничивающими доктринами вроде de minimis⁶⁵.

В судах практически не ставятся вопросы о том, что представляет собой юридическое использование, вместо этого суды концентрируются на проблеме отнесения того или иного фактического использования к понятию справедливого использования. Даже такой очевидный пример, как использование неохраняемых абстрактных идей, рассматривается в качестве случая справедливого использования⁶⁶.

Поэтому с точки зрения американского авторского права любое взаимодействие с объектом — неважно, какое — будет называться использованием. В связи с этим становится более важным различие между справедливым (законным) и несправедливым (незаконным) использованием.

3.2.3. Справедливое использование

В отличие от континентального подхода, где ограничения авторских прав должны быть четко сформулированными и конкретными согласно трехступенчатому тесту Бернской конвенции по охране литературных и художественных произведений 1886 г. (далее — Бернская конвенция)⁶⁷, американское справедливое использование представляет собой набор принципов и тестов, согласно которым определяется та или иная возможность. При определении добросовестного использования проверяются четыре фактора:

1) цель использования, в том числе коммерческий или некоммерческий характер;

2) характер произведения;

3) объем и существенность заимствования;

4) воздействие, которое такое использование оказывает на потенциальный рынок или ценность охраняемого произведения.

Кроме этого, можно выделить еще две дополнительные доктрины справедливого использования, которые частично вытекают из этих критериев, а частично расширяют их понимание: это использование, которое обосновывается другим неотъемлемым правом, в первую очередь правом на свободу слова (Первая поправка к Конституции США), и преобразующее использование. Последнее касается прежде всего производных произведений, и является их характеристикой, при которой такое произведение выходит за смысловые рамки изначального произведения или позволяет представить его в совершенно новом ключе, недоступном при потреблении изначального произведения (Carroll, 2019, pp. 916–922)⁶⁸. Соответственно, включение объектов авторских прав в процесс обучения ИИ будет рассматриваться с точки зрения этих критериев.

Цель использования, в том числе коммерческий или некоммерческий характер

В ст. 107 Закона об авторском праве США уже приводятся некоторые случаи, когда цель использования считается справедливой: это критика, комментарии, репортажи, обучение (включая множественные копии для использования в классе), научные исследования. При этом коммерческий или некоммерческий характер использования, хотя и учитывается при анализе, не является решающим фактором, т. е. само по себе коммерческое использование производного объекта не может считаться нарушением априори. В деле Campbell v. Acuff-Rose Music, Inc. было установлено, что коммерческое использование становится тем менее значимым, чем более преобразованным является новое произведение⁶⁹.

В этом смысле выделение метаданных для обучения, даже если и признавать его использованием, будет использованием в высшей степени преобразующим⁷⁰. То же самое происходит с целью. В случае «невпечатляющего использования» разработчик ИИ преследует иную цель, не схожую с целями правообладателя объекта авторских прав. Для первого важно именно извлечение неохраняемых метаданных, для второго — получение вознаграждения за передачу копии работы для восприятия ее потенциальным потребителем.

Суд в деле Thomson Reuters Enter. Ctr. GmbH et al. v. ROSS Intelligence Inc.⁷¹ пришел к выводу, что использование истцом аннотированного контента (headnotes) не является преобразующим в смысле первого критерия. Основным аргументом послужило то, что цели использования ROSS и Thomson Reuters совпадают: обе стороны разрабатывают конкурирующие юридические поисковые системы. Росс применял аннотации не для создания новой выразительной формы, а для извлечения статистических данных, используемых при обучении негенеративного ИИ. Несмотря на то что копирование происходило на промежуточной стадии и данные не попадали в финальный продукт, суд отметил, что прецеденты, допускавшие промежуточное копирование в сфере программного обеспечения⁷², неприменимы, поскольку они касались функционального кода и для них был необходим доступ к нефункциональным элементам системы. В отличие от этих случаев копирование текстовых аннотаций ROSS не было функционально необходимым и не способствовало достижению новой цели пользователя, как того требует стандарт, установленный в деле Andy Warhol Foundation v. Goldsmith⁷³. Таким образом, первый этап анализа был решен не в пользу ответчика. Однако суд специально указал, что сделанные им выводы не применяются к генеративному ИИ.

В деле Bartz v. Anthropic PBC⁷⁴ окружной суд признал, что использование авторских произведений для обучения больших языковых моделей является высокопреобразующим в рамках первого критерия. Суд фактически использовал ту же логику, которая была описана выше. Раз модели обрабатывали тексты не для воспроизведения или замещения оригиналов, а для построения статистических связей с целью генерации новых текстов, это аналогично процессу обучения человека письму через чтение литературы. Обучение на объектах авторского права не может контролировать правообладатель: единственное, что он может требовать, — это плата за доступ к самому тексту⁷⁵. Суд отклонил аргумент, что компьютерам нельзя разрешать то же, что разрешено людям, и подчеркнул, что раз в результатах генерации не было копирования охраняемого содержания, то фактически речь идет об использовании стилистических приемов, методов и принципов, традиционно не охраняемых авторским правом⁷⁶. Это отличает указанное дело от Thomson Reuters v. ROSS Intelligence Inc., где модель была натренирована не на генерацию новых текстов, а на поиск судебных решений, т. е. ИИ создавался с тем же функционалом, что и у оригинального продукта.

Кроме того, суд рассмотрел преобразования законно приобретенных печатных книг в цифровую форму для создания из них базы данных для обучения ИИ. С учетом того что бумажные копии были уничтожены, цифровые копии не распространялись⁷⁷ и не создавались избыточные экземпляры, такое изменение формата не затрагивает исключительные права автора, так как смена формата не связана с творческой модификацией содержания⁷⁸. Несмотря на коммерческий характер деятельности Anthropic, такая конвертация не носит самостоятельного экономического характера и сравнима с существующими прецедентами (и даже превосходит их по уровню преобразований с учетом обстоятельств)⁷⁹. Тем не менее скачивание книг с пиратских (теневых) библиотек справедливым использованием суд не признал, поскольку нет аргументов, что такое скачивание было разумно необходимо в противовес легальному приобретению копий⁸⁰.

В деле Kadrey et al. v. Meta Platforms, Inc., суд также дал развернутую оценку первому критерию. Основной вывод такой же: обучение ИИ — это высокопреобразующее использование⁸¹. Однако в отличие от дела Anthropic суд занял позицию, что само по себе скачивание материалов с теневых библиотек не может признаваться нарушением только в силу того, что копия была пиратской⁸², и чтобы ответить на этот вопрос, нужно проанализировать добросовестность такого использования⁸³ или вред рынку.

Характер произведения

Данный критерий концентрируется на творческой составляющей объекта авторского права. Как правильно отметила А. Ворожевич, «границы исключительного права расширяются или сужаются в зависимости от ценности объекта авторского права, творческого права автора»⁸⁴.

Второй фактор требует признания того, что одни произведения находятся ближе к «ядру» охраны, предусмотренной авторским правом, чем другие. Соответственно, доказать справедливое использование труднее, когда объектом копирования становятся именно такие произведения или их существенные части. Так, документальные произведения подлежат меньшей степени охраны по сравнению с художественными или фантастическими⁸⁵, однако меньшая защита не означает ее полного отсутствия: даже оригинальная подборка и компоновка фактов, самих по себе не охраняемых, могут соответствовать низкому порогу оригинальности, необходимому для признания произведения охраноспособным⁸⁶. При этом второй фактор, как правило, «играет незначительную роль в анализе справедливого использования»⁸⁷ и имеет меньшее значение в случаях, когда произведение уже опубликовано и, следовательно, исключительное право автора на первое обнародование не нарушается⁸⁸.

Основное назначение второго фактора заключается в том, чтобы обеспечить контекст для оценки прочих критериев добросовестного использования. Он позволяет выявить различия между характером оригинального произведения и вторичного, а также установить взаимосвязь между объемом заимствования и его значимостью в контексте создаваемого зависимого материала⁸⁹.

В данном случае выводы судов были противоположны позициям в первом критерии. В деле ROSS суд признал: материалы ответчика, хоть и содержат творческий элемент, это элемент достаточно низкого уровня и не идет в сравнение с художественными произведениями, что ограничивает степень его защиты. В силу этого он признал второй критерий благоприятствующим разработчикам.

В двух других делах суды, наоборот, признали, что данный критерий благоприятствует истцу по той причине, что все использованные произведения, несомненно, являются высокотворческими и оригинальными⁹⁰. Однако в деле Meta суд пошел дальше и предложил дополнительную аргументацию, на которой сто́ит остановиться поподробнее. Суд указал, что использование Meta книг истцов все-таки зависит от их творческого выражения и не сводится только к статистическим неохраняемым данным. Логика суда была следующей: «раз генеративный ИИ обучается на сборе статистических данных о порядке слов, частотности [какие слова и как часто используются. — А.Н.], грамматике и синтаксисе», а при этом «выбор слов, грамматика и синтаксис — это и есть формы выражения мысли»⁹¹, то статистика об этих взаимосвязях тоже есть продукт творческого выражения. Но, как кажется, здесь происходит путаница между двумя разными уровнями: с одной стороны, порядком слов, грамматикой, синтаксисом как формальными средствами выражения авторской мысли; с другой — статистическими данными, извлеченными из анализа этих средств в миллионах текстов. Да, порядок слов и остальное — это охраняемая форма литературного произведения. Однако это не значит, что агрегированные статистические зависимости, выявленные на их основе, тоже входят в состав этой формы. Статистика — это результат повторения. Она возникает там, где множество текстов демонстрируют общие черты. Но можем ли мы утверждать, что такая статистика является продуктом творческого выражения, если она становится видимой только в результате обработки тысяч объектов? Сам по себе этот факт говорит о том, что мы имеем дело не с индивидуальным творчеством, а с его усредненным следом. Если утверждать, что статистические взаимосвязи содержатся в каждом произведении и потому охраняются наряду с формой, возникает правовая ловушка. Тогда любое произведение, в котором воспроизводятся те же статистические зависимости, потенциально нарушает права авторов более ранних работ. А поскольку статистика по определению выявляет то, что повторяется, получается, что тысячи произведений нарушают права авторов тысяч других просто потому, что все они существуют в одном и том же культурном и языковом пространстве. Именно здесь стирается граница между неохраняемыми идеями и охраняемой формой. Если статистические зависимости — это продукт творческого выражения, то почему бы не признать таковыми и идеи, и темы, и нарративные структуры, и типовые интонации? Ведь они тоже в каком-то смысле выражаются творчески. Этот аргумент был бы убедительнее, если бы можно было доказать прямую зависимость влияния конкретного произведения на результаты обучения модели, но тогда можно было бы просто взять «самый великий» роман и обучить модель только на нем, однако такое обучение не дает таких же результатов, как обучение на большом количестве текста. Конкретное произведение не оказывает существенного влияния на дальнейшую работу ИИ, так как для его обучения требуются именно большие данные.

Объем и существенность использования

Третий фактор заключается в том, был ли объем заимствования разумным по отношению к той цели, которая была определена в первом критерии в качестве добросовестного использования. Даже небольшая часть может оказаться чрезмерной, если она представляет собой «сердце» произведения. Когда продуктивное использование возможно только за счет заимствования из конкретного произведения, доктрина справедливого использования достигает апогея. Когда использование возможно и без такого заимствования, она, наоборот, сводится к минимуму и заимствование требует особенно убедительного обоснования⁹².

В большинстве случаев признается, что заимствование целого произведения сильно снижает вероятность признания использования добросовестным⁹³. Однако технические копирования, которые не доносят оригинальное выражение автора до новой аудитории⁹⁴, суды США признают подчас справедливым (Sag et al., 2024). Определяющее значение здесь имеет не столько объем использованного материала, сколько объем охраняемого авторским правом материала, представленного публике⁹⁵, который может служить конкурентной заменой оригинального произведения⁹⁶.

Примерами такого «невпечатляющего использования»⁹⁷ в практике судов США будут:

• обратное проектирование (reverse engineering)программного обеспечения⁹⁸, в котором суды признали справедливым использованием копирование для дальнейшего изучения и извлечения неохраняемых элементов программ;
• копирование студенческих работ для проверки на плагиат⁹⁹;
• копирование библиотечных книг для их доступности в поиске, а также индексации¹⁰⁰;
• создание цифровых версий печатных библиотечных книг в исследовательских целях, включая анализ текстовых данных и машинное обучение¹⁰¹.

Особенно в этом смысле важен вопрос интеллектуального анализа данных в силу того, что как уже указывалось, интеллектуальный анализ данных — это процесс, неразрывно связанный с обучением ИИ. Однако, как указывают некоторые американские ученые, обучение ИИ — это даже не отдельное технологическое явление, а скорее «приложение» к интеллектуальному анализу данных (Sag et al., 2024, p. 7).^. Более того, отнесение интеллектуального анализа данных к возможному справедливому использованию в том числе было подтверждено Бюро авторского права США¹⁰². Такие действия признавались справедливым использованием даже в случае, если при «невпечатляющем использовании» создавалось большое количество «технических» копий¹⁰³.

В этом смысле третий пункт не просто благоприятствует возможным ответчикам по делам, связанным с обучением ИИ, он также устанавливает возможность создания дополнительных копий в целях дальнейшего интеллектуального анализа, без получения согласия на воспроизведение у правообладателя, конечно, при условии соблюдения остальных условий.

Здесь суды были единодушны: во всех трех делах было признано, что третий критерий благоприятствует разработчикам ИИ. Главным аргументом здесь было то, что при дальнейшем использовании ИИ не генерируются произведения, применяемые при обучении, но при этом пользователи получают мощную выгоду от обучения на хороших данных. Кроме того, для хорошего обучения требуются миллиарды входных данных, в силу чего аргументы истца о том, что разработчики могли бы выбрать другие произведения или обучать только на произведениях, находящихся в общественном достоянии были отклонены. Как указали суды, использование каждого отдельного произведения является столь же разумным, как и любое другое¹⁰⁴.

Воздействие использования на потенциальный рынок или ценность охраняемого произведения

Четвертый критерий справедливого использования единогласно признается судами самым важным¹⁰⁵. Как указал суд в деле Meta: «Если первый фактор однозначно благоприятен ответчику, у истца остается шанс победить только при безусловном выигрыше по четвертому фактору»¹⁰⁶.

Данный критерий в первую очередь проверяет наличие двух возможных негативных эффектов от использования произведения:

1) происходит ли прямое замещение одного произведения другим¹⁰⁷;

2) снижает ли новая работа потенциальную возможность лицензирования первоначального произведения заинтересованным лицом (косвенное замещение или market dilution)¹⁰⁸.

При этом, если вторичное произведение уменьшает спрос на оригинал из-за критики или пародии, такой ущерб не учитывается¹⁰⁹. Также принимаются во внимание «общественные блага, которые может принести копирование»¹¹⁰.

Фактически это самый неюридический критерий из всех, так как он отсылает к эмпирическим, в первую очередь экономическим, данным, которые показывают влияние фактического использования на рынок¹¹¹.

И в случае «невпечатляющего использования» не происходит ни первый, ни второй вариант, ведь рынок и стоимость, о которых идет речь в четвертом факторе добросовестного использования, «не являются просто любыми выгодами, которые правообладатель может выбрать для ссылки» (Sag et al., 2024, p. 23). Чуть подробнее мы рассмотрим этот момент дальше в части про политико-правовые аргументы, а пока будет достаточно того, что потери правообладателя здесь носят такой же косвенный характер, как возможные потери правообладателя от появления на рынке произведения — новой оригинальной формы выражения той же идеи. Американское авторское право защищает оригинальное выражение, но не правообладателя от угрозы конкуренции с произведениями, которые не являются существенно сходными в глазах потребителей¹¹².

Надо отметить, что в деле Thomson Reuters Enter. Ctr. GMBH v. Ross Intel., Inc. суд первой инстанции пришел к выводу, что обучение специализированного ИИ для решения юридических проблем и вопросов на авторско-правовых материалах — заметках правовой базы Westlaw и ее системе заголовков, аннотаций, ранжирования и поиска — будет нарушением, в первую очередь исходя из четвертого критерия¹¹³. Следует признать, что данное дело имеет некоторую специфику, которая, по нашему мнению, не дает возможности признать его прецедентом в сфере обучения ИИ¹¹⁴.

Во-первых, в пользовательском соглашении Westlaw был прямо описан запрет на использование для создания конкурирующих платформ (а не в целом для любого обучения).

Во-вторых, ответчик нанял третью сторону, чтобы она скопировала аннотации и систему ранжирования, т. е. речь идет в том числе о незаконном копировании, а не просто об обучении.

В-третьих, самым важным фактором, на мой взгляд, стало то, что инструмент ответчика фактически являлся прямым конкурентом и рыночным заменителем для базы истца. В силу этого здесь роль сыграла в первую очередь недобросовестность ведения конкуренции в целом, а также существенное копирование «сердца» базы данных — их системы ранжирования, которое, в свою очередь, сняло заявление о «справедливости».

Данный вывод подтверждается при анализе двух других дел: Meta¹¹⁵ и Antropic¹¹⁶, в которых суды также пришли к выводу, что четвертый критерий благоприятствует признанию использования справедливым¹¹⁷. Принципиально, что суды отклонили аргумент, прозвучавший в деле Thomson Reuters, согласно которому само по себе существование «потенциального рынка лицензирования для обучения ИИ достаточно для признания рыночного ущерба». Верховный суд США, а также федеральные апелляционные суды последовательно подчеркивают, что ущерб в рамках четвертого критерия не может быть признан только на основании утраты гипотетического дохода от лицензирования: в противном случае любое несанкционированное, но преобразующее использование автоматически считалось бы недобросовестным¹¹⁸.

Следовательно, за пределами конкретных дел и фактов, с точки зрения абстрактных норм, обучение ИИ должно признаваться добросовестным использованием, особенно исходя из практики американских судов, по аналогии с предшествовавшим этому явлению интеллектуальным анализом данных.

3.2. Японский «рай» искусственного интеллекта

1 января 2019 г. в Японии были приняты поправки¹¹⁹ в Закон об авторском праве¹²⁰ (далее — Японский закон об авторском праве). В результате было установлено, пожалуй, самое широкое исключение для интеллектуального анализа данных на произведениях авторского права и объектах смежных прав¹²¹ во всем мире¹²².

Японское исключение, связанное с анализом данных, считается самым широким в мире по следующим причинам:

• оно применимо как для коммерческих, так и для некоммерческих целей;
• вне зависимости от возражений правообладателей;
• позволяет использовать произведения любым необходимым способом, если это нужно для анализа;
• не требует законного доступа к произведению.

Хотя поправка включает только три исключения, при которых интеллектуальный анализ данных не считается нарушением авторского права, в ней также предусмотрена специальная оговорка. Эта оговорка распространяет действие исключений на любые другие аналогичные способы использования и применяется mutatis mutandis (с учетом обстоятельств) к смежным правам. По сути, японское правительство гарантировало, что авторское право не станет препятствием для развития искусственного интеллекта, тем самым укрепив позиционирование Японии как «рая для ИИ и машинного обучения» (Dermawan, 2024, p. 54).

Статья 30-4 Японского закона об авторском праве регулирует использование произведений, не направленное на получение удовольствия от мыслей или чувств, выраженных в этих произведениях¹²³. И, как правильно указывает в своем анализе A. Дермаван, ключевой момент в понимании японского подхода к использованию произведений для обучения — различие между «удовольствием» (享受) и «использованием не ради удовольствия» (不見転) (Dermawan, 2024, p. 54)¹²⁴. Японское ведомство по авторским правам определяет удовольствие как «принятие и оценку эмоционально значимого или физически интересного» (Ueno, 2021b,
p. 150). В случае литературных и художественных произведений «удовольствие» означает «наслаждение произведением через его восприятие органами чувств», а для компьютерных программ— «наслаждение функциями программы при ее выполнении» (Ueno, 2021, p. 150). Таким образом, действие характеризуется «удовольствием от идей или эмоций, выраженных в произведении», если оно направлено на удовлетворение интеллектуальных или эмоциональных потребностей зрителя (Ueno, 2021, p. 147). Проще говоря, японцы считают, что цель авторского права— гарантировать, что автор может получать компенсацию от тех, кто хочет наслаждаться его произведением. Однако защита авторским правом не требуется, если использование произведения не направлено на получение удовольствия или на то, чтобы его получил другой человек (например, интеллектуальный анализ данных) (Ueno, 2021b, p. 150–153).

Различение на использование «для удовольствия» и «не для удовольствия» помогает ограничению авторского права в части интеллектуального анализа данных пройти трехступенчатый тест Бернской конвенции (Dermawan, 2024). Этот тест включает три кумулятивных условия, которые в том числе дублируются в ст. 13 Соглашения по торговым аспектам прав интеллектуальной собственности¹²⁵: государства-участники должны ограничивать исключения и ограничения (1) «некоторыми специальными (достаточно определенными) случаями» (certain¹²⁶
special¹²⁷ cases), (2) «которые не вступают в противоречие с обычным использованием произведения» и (3) «необоснованно не ущемляют законный интерес правообладателя».

Ограничение для интеллектуального анализа в этом смысле является и определенным, и особенным, так как оно является количественным, и качественным, ведь использование «не ради удовольствия» имеет довольно узкий охват возможных действий¹²⁸. Кроме того, в соответствии с количественным критерием условие использования «не ради удовольствия» ориентировано на цели общественных интересов, для достижения баланса между авторским правом и общественными интересами, включая образование, исследования ИИ, прозрачность информации и право на свободу выражения¹²⁹. Из этого следует, что использование «не для удовольствия» само по себе не противоречит второй части теста, так как оно и есть критерий отделения нормального использования от ненормального.

Как отмечалось экспертами панели Всемирной торговой организации¹³⁰ по этому вопросу: «Исключение или ограничение исключительного права <...> вступает в конфликт с нормальным использованием произведения, если действия, которые подпадают под это право, но исключены в рамках таких ограничений, начинают составлять экономическую конкуренцию способам, с помощью которых правообладатели обычно получают доход от использования этого права (например, авторского), и тем самым лишают их значительной или ощутимой коммерческой выгоды»¹³¹.

Выше была описана разница между потенциальной возможностью воспроизвести произведение и воспроизведением произведения. Выведенный из существующего законодательства запрет на возможность обучения на произведениях ударит не только по разработчикам ИИ, но и по обычным людям, изучающим литературное и художественное мастерство на примерах других работ. Экономическая возможность извлекать выгоду из произведения подразумевает воспроизведение его для потребления, т. е. для потенциального получения удовольствия, каким бы оно ни было, а не для его анализа.

Точно так же можно рассуждать и о возможном законном интересе правообладателя. Отдельный правообладатель не имеет законного интереса в использовании его произведения для обучения ИИ, поскольку в контексте обучения одно произведение оказывает минимальное влияние на дальнейшую работу модели. Большие данные получают свою ценность именно в совокупности, когда их много. Таким образом, если рассматривать использование отдельных произведений в контексте обучения ИИ, они не обладают самостоятельной экономической ценностью (Kollár, 2021 p. 28; Directorate General for the Internal Market and Services & De Wolf & Partners, 2014, p. 47) и их участие в обучении не может само по себе привести к необоснованной утрате дохода правообладателя от использования конкретного произведения.

Впрочем, в самой Японии продолжаются дискуссии о правильном толковании оговорки о «наслаждении» и ее соответствии третьему пункту трехступенчатого теста Бернской конвенции. Японское агентство по авторским правам (Japan Copyright Office) недавно, в 2024 г., опубликовало проект документа, в котором предложены уточнения в применении этой оговорки.

Агентство выделяет две специфические ситуации, которые могут рассматриваться как использование произведения для наслаждения, несмотря на то что между таким использованием и восприятием нет прямой связи:

• Точная настройка модели (fine-tuning) или использование данных для генерации на основе извлечения (RAG). Если ИИ специально настраивается для копирования конкретных произведений или воссоздания ключевых черт, защищаемых авторским правом.
• Целенаправленное копирование стиля. Когда ИИ интенсивно анализирует и воспроизводит уникальные элементы стиля конкретного автора, чтобы воссоздавать их в новых произведениях.

Таким образом, если модель специально адаптируют для создания произведений, которые полностью или частично имитируют оригинальные элементы автора, такие действия могут быть квалифицированы как использование произведения для наслаждения.

Фактически Агентство подчеркивает, что копирование самого произведения является нарушением, если было произведено без согласия, а появление охраняемых элементов произведения на этапе генерации нового произведения через ИИ тоже может привести к применению средств авторско-правовой защиты. При этом не зря делается акцент на том, что такая точная настройка или копирование стиля должны быть целенаправленными. Фактически данные действия можно рассматривать как разновидность шиканы, или недобросовестного поведения. Одно дело, если во время обычного обучения ИИ появляется потенциальная возможность воспроизведения защищаемых авторским правом произведений. При таком подходе разработчик освобождается от ответственности, а вопрос правомерности использования, например генерации текста или изображения, возлагается на пользователя, которому предстоит обосновать, соответствует ли это использование критериям добросовестного или справедливого использования в зависимости от применимой юрисдикции. Другое дело, если разработчик специально настраивает свою модель таким образом, чтобы она целенаправленно нарушала права конкретного лица. Такое, конечно же, недопустимо. Тем не менее должна сохраняться прямая причинная связь между действием, вредом и обходом средств защиты: нарушение не должно быть только потенциальным. Следует еще раз подчеркнуть, что регулирование обучения и дальнейшего использования ИИ — это два разных вопроса.

С другой стороны, в документе указывается на необходимость вывести из-под ограничения, предусмотренного статьей 30-4 Японского закона об авторском праве, интеллектуальный анализ, который осуществляется на различных пиратских источниках, т. е. ввести требование законного доступа. В этом, конечно, есть своя логика. Если доступ к копии был получен незаконно, то здесь появляется прямой и непосредственный вред правообладателю, ведь он не получил компенсацию за нормальное использование (т. е. за возможность потребления). Самого по себе нарушения авторских прав со стороны пользователя пиратского сайта может и не быть, если он сам не создал себе новую копию на основе копии из нелегитимного источника, и вред остается чисто экономическим, но введение такого критерия позволяет избежать появления даже такого чисто экономического вреда¹³².

Впрочем, это скорее вопрос политики права, чем догматики. Догматически не может считаться использованием произведения копирование его неохраняемых элементов (т. е. абстрактных метаданных), даже если у лица, совершающего копирование, появляется возможность такого использования неохраняемых элементов, которое приведет к нарушению уже охраняемых элементов¹³³.

Японский подход можно рассматривать как развитие концепции «невпечатляющего использования», известной в американской правовой доктрине, но закрепленной на законодательном уровне. При этом японское авторское право основывается преимущественно на континентальной правовой традиции, признавая личные неимущественные права авторов, защищая форму произведения и исключая охрану содержания. Поэтому и в японском праве выводы о допустимости использования произведений «вне удовольствия» могли быть сделаны и на основании общих положений. Однако специальные нормы об интеллектуальном анализе данных всё же полезны, так как позволяют уточнять рамки правоприменения, сужая или расширяя подход, например в вопросах обучения на неправомерно полученных данных или создания временных копий для целей интеллектуального анализа данных.

4. Политико-правовые аргументы

В дискуссии о возможности обучения нейросетей на объектах авторского права также приводят несколько довольно сильных политико-правовых аргументов в пользу запрета какого-либо обучения без прямо выраженного согласия.

Аргумент 1: «авторский апокалипсис»

Некоторые утверждают, что искусственный интеллект и искусственное творчество в конце концов полностью захватят мир, рынок и любую работу, оставив авторов без средств к существованию. В результате люди перестанут творить, так как нейросети будут делать всё за них.

Впрочем, на данный момент эта перспектива скорее выглядит как сценарий фильма ужасов, чем как реальная угроза, и вот почему. Современный искусственный интеллект— это далеко не тот интеллект, который мы видим в фантастических кинокартинах. Сегодня это просто новый инструмент, расширяющий возможности пользователей. Да, возможно, обидно учиться 5–10 лет рисовать цифровые картины, если теперь для того, чтобы сделать то же самое, нужно потратить гораздо меньше времени. Но это и есть суть прогресса.

Если подходить к этому аргументу серьезно, то получается, что современные авторы— это не просто люди, а некая особая каста, обладающая исключительным знанием и способностями. Имплицитно в этом аргументе содержится мысль о том, что те, кто использует нейросети, не являются творцами, в отличие от авторов, работающих без них. Но современные нейросети не способны генерировать что-то совершенно новое с точки зрения внутреннего смысла. Они могут лишь создать новую форму, которая качественно не отличается от того, что сделал бы достаточно опытный художник при условии, что ему дадут четкое техническое задание.

Наделение результатов творчества смыслом и создание уникальных выражений существующих идей всё еще остаются прерогативой человека. Если раньше для того, чтобы научиться писать и рисовать, нужно было потратить огромное количество времени и усилий, то с развитием нейросетей всё больше людей с уникальным ви́дением, но без достаточных умений смогут реализовываться как творцы. Обидно, когда то, на что вы потратили десятую часть жизни, другой человек может освоить за пару лет обучения, но это не является достаточным аргументом для того, чтобы тормозить прогресс.

Ведь в улучшении нейросети есть и большой социальный интерес. Нейросети открывают огромный простор для деятельности людей с ограниченными возможностями, позволяя им преодолевать физические и когнитивные барьеры. Эти технологии помогают улучшить качество жизни, обеспечивая бо́льшую автономию и участие в социальной жизни, что, в свою очередь, способствует интеграции в общество и личностной реализации. Нейросети могут помочь людям с ограниченными возможностями в творчестве, предоставляя им инструменты для выражения своих идей и чувств, независимо от физических ограничений, например людям с нарушениями зрения — программы для генерации аудиовизуальных произведений, а людям с нарушениями слуха — способ создавать музыку или использовать текстовые программы для работы с языком. Люди с моторными нарушениями посредством нейросети могут использовать жесты или движения глаз для создания цифровых картин, музыки или текста и тем самым участвовать в творчестве, несмотря на ограничения. Эти технологии открывают новые горизонты для самовыражения и инклюзивного участия в искусстве.

Аргумент 2: коммерческое использование произведений

Еще популярен довод о том, что коммерческое использование ИИ, обученного на авторских произведениях, влечет коммерческое использование самих произведений. Этот аргумент строится на идее, что если продукт, созданный с использованием обученной модели, приносит доход, авторы произведений, использованных для обучения, также должны получить компенсацию.

Другими словами, если ты обучаешься на чем-то, а потом используешь полученные знания в предпринимательской деятельности, то ты таким образом используешь в хозяйственной деятельности те объекты, на которых обучался. С одной стороны, это сильный аргумент, так как построен на базовом принципе свободного рынка: если у тебя есть ценность, то за ее использование другим людям нужно платить. С другой стороны — это то, что можно назвать «выстрелом себе в ногу» или «пилением сука, на котором сидишь».

Ведь процессы обучения нейросети и обычного автора не настолько сильно различается. А если нельзя нейросети, то почему можно людям? Даже сейчас, если посмотреть на то, как учатся или пишут картины художники, они всегда используют, а точнее, вдохновляются работами других. Те, кто менее этичен, могут рисовать то же самое, но не точь-в-точь, чтобы не выглядело полным плагиатом. Высокоморальные повторяют только технические приемы, чтобы улучшить собственные навыки. Но в любом случае использовать картины других, чтобы отработать конкретный навык,— нормальный этап обучения любого художника в современном мире. Но даже потом, на этапе собственного творчества, художники всё равно обращаются к референсам, т. е. к картинам других авторов, в качестве дополнительного источника визуальной информации¹³⁴. Конечно, правильное применение референсов — это не копирование, и поэтому сейчас оно не приводит к нарушению авторских прав. Фактически то, как художники используют референсы, — это то же самое, что делает программа при обработке произведений для включения в базу данных, которая будет использоваться в обучении. Они точно так же снимают с референсов метаданные, которые потом используют для реализации уже собственных идей.

А современный ИИ на данный момент даже не может использовать метаданные для реализации собственных идей в силу отсутствия их в частности, да и сознания в целом. Всегда нужен другой человек, который уже будет применять вычислительные мощности машины в качестве инструментов. Поэтому этот аргумент может точно так же быть обращен против всей индустрии, если мы не будем придерживаться четкого юридического критерия, при котором нарушение происходит только при условии воспроизведения, а не потенциальной возможности воспроизведения.

Ведь легко помыслить налог на обучение, сходный с правом на вознаграждение за свободное воспроизведение фонограмм и аудиовизуальных произведений в личных целях, именуемым «налогом на болванки»¹³⁵. Вознаграждение за свободное воспроизведение фонограмм и аудиовизуальных произведений в личных целях никак не учитывает, что многие носители, за которые взимается данный сбор, не используются для воспроизведения, а могут быть применены для других целей. То есть сбором облагается не столько само воспроизведение, сколько потенциальная возможность¹³⁶. А значит, такой же подход можно перенести на обучение. Даже если конкретный художник не обучался на картинах других, многие всё равно это делали. Даже если конкретный художник не переносит части произведений, на которых он обучался, или использует свои произведения в виде референсов (некоторые могут это делать неосознанно, хоть это и несущественно).

Но главное — ИИ сам по себе не креативен: его «творчество» — это на самом деле всегда максимальная банальность. В некоторых случаях она и требуется, например при определении болезни или ситуации на дороге. Но в случае с художественными и научными произведениями, банальность не нужна никому. Человек создает произведение искусства, опираясь на личный жизненный опыт, эмоциональный мир и культурные смыслы. Нейросеть же функционирует как статистическая модель, выбирающая и комбинирующую фрагменты из существующих данных. Человек, наоборот, является носителем авторского замысла и самосознания. По данным экспериментов, творцы используют воображение и оригинальные художественные метафоры, тщательно продумывают сюжет и композицию, придавая работе уникальную цельность. AI-модель же не имеет собственных предпочтений и не стремится выразить личные смыслы: она просто реагирует на входной запрос (Komariah, 2024; Rebelo et al., 2022). Проще говоря, алгоритм не знает любви, не знает утраты и сострадания: слова и образы для него лишь статистические выборки. Поэтому, чтобы ИИ выдал что-то действительно творческое, нужно, чтобы его использовал как инструмент тот, кто возможностью творчества обладает, — человек. И даже в этом случае человеку придется приложить усилия; впрочем, по-иному в искусстве и не бывает.

Указанные особенности делают «искусственные» произведения скорее технической симуляцией творчества. Следовательно, ИИ-произведения не могут выполнять ту же функцию, что искренние работы человека: они не вызывают того же эмоционального отклика и редко имеют глубокий культурный смысл. Поэтому ИИ-произведения никогда не заменят для людей глубоких, эмоциональных и, главное, оригинальных произведений, создаваемых другими людьми. Опасность здесь появляется только для тех авторов, чье творчество изначально было достаточно банальным или неоригинальным. Лучший пример — фотографии с фотостоков или продающие тексты на маркетинговых сайтах. Действительно, те, кто работал в такой сфере, могут потерять часть заработка, если не смогут показать, в чем их преимущество перед машиной. Однако здесь скорее вопрос в том, почему произведения с очень низким или вообще нулевым уровнем творчества подпадают под защиту авторского права¹³⁷. Но даже если не вдаваться в такие экзистенциальные вопросы, это всё равно выглядит как требование создателей повозок и кучеров платить им роялти за каждый сбор и дальнейшее использование машин и самолетов.

Аргумент о коммерческом использовании был бы убедительнее, если бы использование авторских произведений было необходимым и существенным элементом работы ИИ и если бы эта работа составляла основную коммерческую ценность технологии. Однако проблема заключается в том, что влияние одного произведения на работу конкретного ИИ крайне мало.

Даже для того, чтобы научить ИИ имитировать стиль конкретного художника, нужно как минимум 200 его произведений (Verma et al., 2024). При этом чем новее модель и чем больше данных ей «скормлено» для обучения, тем выше этот порог (Verma et al., 2024). Это показывает, что даже большое количество произведений одного автора оказывает непропорционально малое влияние на работу модели в целом. Важнейшим фактором здесь являются большие данные, часть которых может вообще не иметь авторских прав, даже если они не используются для извлечения метаданных.

Если модель не была создана специально для имитации произведений конкретного автора и не становилась его «цифровой личностью», то справедливая компенсация за использование произведений будет исчисляться крошечными суммами. Установление фиксированного сбора за каждое произведение, с учетом эффекта масштаба и необходимости переработки огромного количества данных, приведет к нерентабельности разработки ИИ.

Аргумент 3: эффект масштаба

Здесь можно было бы возразить, что существует эффект масштаба, которого не достигает использование произведений для обучения обычными людьми. Эффект масштаба — это экономический эффект, при котором с ростом объема производства или использования технологии снижаются издержки на единицу результата, а влияние на рынок или среду усиливается непропорционально. В контексте ИИ это означает, что система, обученная на чужих произведениях, может генерировать массовые и мгновенные копии, что радикально отличается от ограниченных действий одного человека. Хотя человек может научиться копировать чужие работы или создавать похожие работы в определенном творческом стиле, это не приведет к такому же негативному эффекту, как использование нейросети. Человек ограничен только своими физическими возможностями и количеством копий, которые он может создать. В отличие от этого с помощью нейросети огромное количество людей может одновременно создавать копии чужих произведений, что значительно увеличивает масштабы возможных нарушений авторских прав, либо достаточно профессиональные картины, чтобы заменить авторов на существующем рынке.

Это ощущение можно считать эфемерным, поскольку с техническим прогрессом копирование чужих произведений и так стало значительно проще. Нейросеть в этом контексте не представляет собой нечто революционное по сравнению с обычными инструментами, такими как сканеры или программы вроде Photoshop. Этот аргумент смещает фокус с момента нарушения на потенциальную возможность нарушения, т. е. мы уже предполагаем, что определенная технология будет использоваться недобросовестно. Однако всё что угодно может быть использовано недобросовестно, главное — является ли недобросовестное использование единственно возможным или хотя бы преимущественно возможным способом применения технологии. В данном случае это не так.

ИИ можно использовать множеством способов, не нарушая авторских прав других людей. Практически все современные нейросети оснащены специальными надстройками — этическими правилами, которые значительно затрудняют создание контента, способного нарушать чьи-то права. Конечно, эти правила могут быть обойдены, но для этого нужно иметь прямой умысел на совершение правонарушения. Как в случае с преступлением, когда наказывают не того, кто продал нож, а того, кто его использовал во вред, здесь нельзя запрещать технологию просто потому, что ее могут применить во вред.

С другой стороны, если обратить внимание на эмпирические данные, можно заметить, что для многих людей важен источник произведения. Многие предпочитают произведения, созданные человеком, и довольно негативно относятся к необоснованному использованию нейросетей¹³⁸. В отличие от ситуации с машинами и лошадьми, где машины практически полностью вытеснили лошадей как средство передвижения, цифровая живопись не вытеснила традиционное искусство. Оба направления по-прежнему существуют параллельно.

Что касается текстов, то пока нет прогнозов, что нейросеть сможет создать художественное произведение на уровне, позволяющем говорить о вкладе в профессиональную литературу или даже о создании бестселлера (Komariah, 2024; Rebelo et al., 2022). Оба этих достижения требуют работы со смыслами и генерации новых идей, а не простого переписывания одних и тех же текстов по несколько раз. Это остается фундаментальным ограничением современного ИИ до тех пор, пока не появится ИИ, обладающий чем-то похожим на человеческое сознание.

Как видно, политико-правовые аргументы в пользу взимания средств за использование произведений для обучения ИИ являются, по крайней мере, спорными. Эти аргументы явно недостаточны для того, чтобы игнорировать формально-юридический анализ и наделить правообладателей правом полного контроля за произведениями в процессе обучения ИИ. Однако они могут оказать влияние на возможные точечные ограничения, направленные на регулировку баланса интересов.

Заключение

Какие выводы можно сделать из анализа процесса обучения искусственного интеллекта?

1. Процесс обучения ИИ состоит из трех последовательных шагов: интеллектуальный анализ данных, сбор полученных данных в базу и обучение нейросети на этом датасете.
2. Утверждение о том, что ИИ обучается на объектах авторского права, не представляется справедливым в юридическом смысле. ИИ обучается на метаданных (паттернах, синтаксисе, методах и т. д.), полученных благодаря интеллектуальному анализу данных.
3. Следовательно, вопрос возможного нарушения прав правообладателей с точки зрения авторского права должен рассматриваться применительно к анализу данных, а не к использованию результатов для обучения ИИ, ведь только в момент анализа данных происходит взаимодействие с объектом авторских или смежных прав.
4. С учетом того что благодаря интеллектуальному анализу данных из произведений или баз данных выделяются метаданные, которые сами по себе не являются охраноспособными, такой анализ нельзя назвать использованием в правовом смысле, а значит, и дальнейшее применение таких метаданных для обучения ИИ не может считаться нарушением прав правообладателей.
5. Исключением здесь будет использование баз данных, специально созданных для обучения ИИ, так как это единственный случай, когда в обучении ИИ будут использоваться сами материалы базы данных, а не результат стороннего интеллектуального анализа базы данных.
6. При этом всё равно разумно включить интеллектуальный анализ данных в законодательство для снятия вопроса о возможности создания временных копий для такого анализа (и других случаев «невпечатляющего воспроизведения»).
7. Ради достижения баланса интересов государства могут вводить дополнительные условия в отношении такого анализа данных и дальнейшего обучения.

Первое условие — это правомерный доступ к произведению. Разработчик ИИ должен сначала приобрести копию, тем самым реализовывая коммерческий интерес правообладателя перед обучением.

Второе условие — это запрет на целенаправленное обучение ИИ (обучение с учителем) в целях подражания конкретному автору, его стилю через генерацию охраняемых элементов его работ как главный способ использования ИИ.

Третье условие — это ограничение возможности интеллектуального анализа через резервирование прав, т. е. при помощи прямого отказа правообладателя от участия его произведений в интеллектуальном анализе данных, который в случае распространения в цифровой среде должен быть выполнен машиночитаемыми средствами. Однако это условие будет эффективным, только если будут предусмотрены внедоговорные возможности для разработчиков ИИ использовать такие произведения для обучения.

Кроме этого, можно выделить еще несколько результатов анализа, которые являются частью аргументации позиции о том, что обучение ИИ не является использованием с точки зрения авторских или смежных прав.

1. Необходимо различать «невпечатляющее» и «впечатляющее использование».
2. «Впечатляющее использование» — это такое использование, которое приводит к потреблению произведения людьми с помощью их органов чувств либо эксплуатации объекта по его функциональному назначению (программы для ЭВМ). «Невпечатляющее использование», соответственно, не приводит к такому восприятию или эксплуатации функциональных свойств объекта.
3. Только «впечатляющее использование» (воспроизведение, публичное исполнение, доведение до всеобщего сведения и т. д.) или шаги, которые очевидно в конце концов ведут к такому виду использования (распространение, экспорт, передача по кабелю и т. д.), можно считать использованием в правовом смысле, или, иными словами, только контроль за возможностью «впечатляющего использования» составляет исключительное право правообладателя на его произведение.

Послесловие

Как показывает анализ, вопрос возможности обучения ИИ на объектах авторских и смежных прав остается одним из самых острых и дискуссионных в современной правовой практике. Развитие ИИ действительно способно существенно изменить рынок литературных и художественных произведений: некоторые работы могут утратить востребованность. Однако, как часто бывает, закрытие одной двери открывает другую. Искусственный интеллект становится новым инструментом, который дает возможность большему числу людей проявить себя в качестве творца. Особенно это важно для людей с ограниченными возможностями, которые не в состоянии использовать кисть или ручку так, как это делают другие. И если мы говорим, что прогресс и удобство — это хорошо, то мы не можем чинить препятствия к развитию генеративных нейросетей, только исходя из того, что это может как-то повлиять на чьи-то потенциальные доходы.

В этом как раз помогает доктринальный анализ, а также законодательные решения. Большая часть стран имеют различные ограничения авторского права, которые касаются интеллектуального анализа данных, пусть в некоторых случаях и недостаточно широкие, чтобы говорить о любом анализе (Fiil-Flynn, 2022). Даже Европейский союз, известный своим пропотребительским, прочеловеческим подходом, например в сфере защиты прав потребителей или в вопросах защиты персональных данных, в данном вопросе занял позицию скорее в пользу разработчика. Это неудивительно в силу того, что интеллектуальный анализ данных сейчас — это базовый инструмент в цифровую эпоху и исходит из фундаментальной свободы научной и исследовательской деятельности (Geiger, 2021). Европейский законодатель попытался найти золотую середину, позволив правообладателям отказываться от возможности обучения на данных, извлекаемых из их произведений, путем проставления необходимых запретов на машиночитаемом языке. Возможно, как и при введении любого условно-запретительного порядка, гораздо больше будет тех, кто не отказался, чем отказавшихся, т. е. откажутся только те, кто чувствует себя несправедливо обиженным и обделенным, так что эффект будет не таким плохим. Но авторское право и так дает достаточную защиту произведениям и не сто́ит ее расширять еще больше там, где это не следует из его существа.

Исследования показывают, что просто «голый» режим opt-out неэффективен и не позволяет действительно ни уравновесить разнонаправленные интересы, ни способствовать прогрессу. Интеллектуальный анализ — это не то, что должно по умолчанию входить в сферу регулирования авторского права. Это не столько вопрос частной автономии и связи автора с его произведением, сколько политическое решение для баланса интересов между инновациями и статусом-кво. Нужна дополнительная политическая воля, чтобы запретить то, что сейчас прямо не запрещено, ведь это основной метод регулирования гражданско-правовых отношений. Осталось только добавить, что потребление — это не юридическое использование, но любое юридическое использование имеет конечной целью потребление, чтобы понять одну из границ, где заканчивается объект авторского права и начинаются его неохраняемые элементы.

С другой стороны, и интерес, и опасения правообладателей тоже понятны. Однако сама по себе потеря чьей-то прибыли не может быть достаточным аргументом для ограничения фундаментальных свобод и замедления прогресса. Распространить авторское право на метаданные, содержащиеся в произведении, — это всё равно, что подвести под авторское право стиль или идею. Кому-то это, конечно, окажется выгодным в короткой перспективе, но вот в отдаленной — хуже станет абсолютно всем.