OpenAI, supărat că altcineva i-a „copiat tema”, după ce și-a antrenat AI-ul pe internet

În industria inteligenței artificiale pare să existe o regulă simplă: datele altora sunt excelente pentru antrenare până când propriul model devine materialul de studiu. OpenAI acuză acum persoane asociate companiei chineze Moonshot AI, dezvoltatorul modelelor Kimi, că au derulat o campanie coordonată pentru a extrage modul de raționament al modelelor sale și a folosi rezultatele pentru „distilare”. OpenAI spune că operațiunea a început la 1 iulie 2026 și a fost blocată complet pe 28 iulie.

Ironia situației nu a trecut neobservată. The Register amintește că OpenAI și-a construit modelele folosind, printre altele, cantități uriașe de informații disponibile pe internet și se confruntă în continuare cu procese privind utilizarea conținutului protejat prin drepturi de autor. OpenAI însăși precizează că datele sale de antrenare includ informații disponibile public, date licențiate și conținut furnizat sau generat de utilizatori și cercetători. Într-o declarație obligatorie făcută în California, compania recunoaște inclusiv că seturile sale de date pot conține opere protejate prin copyright.

Diferența juridică este importantă: OpenAI susține că antrenarea modelelor pe materiale disponibile public poate constitui „fair use”, o poziție disputată în instanță de editori și autori. În cazul Moonshot, acuzația nu este pur și simplu că un AI „a citit” răspunsurile ChatGPT, ci că mii de conturi ar fi fost folosite coordonat pentru a extrage raționamentul protejat al modelelor, încălcând explicit regulile serviciului.

OpenAI spune că peste 15.000 de utilizatori au fost implicați în tiparul suspect

Potrivit OpenAI, activitatea a început lent, dar pe 24 și 25 iulie compania a observat aproximativ 16.000 de solicitări care foloseau un tipar relevant pentru extragerea raționamentului, provenite de la peste 4.000 de utilizatori. Investigația ulterioară ar fi identificat activitate similară în cadrul unui grup de peste 15.000 de utilizatori.

Operatorii nu ar fi spart bazele de date OpenAI și nu ar fi obținut acces direct la conversațiile utilizatorilor. În schimb, compania susține că aceștia au manipulat interacțiunile cu modelele astfel încât raționamentul protejat să fie reprodus într-o formă vizibilă. Una dintre tehnicile observate presupunea copierea unui raționament criptat dintr-o conversație și solicitarea către model, într-o altă sesiune, de a-l decripta și transcrie.

OpenAI afirmă că nu poate atribui întregul val de activitate unei singure organizații, însă leagă un „nucleu” al campaniei de persoane asociate Moonshot AI. Compania chineză nu oferise un răspuns public la acuzații la momentul relatării The Register.

Moonshot nu apare pentru prima dată în astfel de acuzații. Playtech a scris deja despre avertismentul NSA, FBI și CISA privind presupusa distilare la scară industrială practicată de companii AI chineze. Printre firmele nominalizate atunci se aflau DeepSeek, Alibaba și Moonshot AI. Acuzațiile instituțiilor americane nu reprezintă însă, în sine, o demonstrație că fiecare model produs de aceste companii a fost construit astfel.

Ce este „distilarea” și de ce OpenAI o numește risc de securitate națională

Distilarea este, în sine, o tehnică legitimă de machine learning. Un model mai performant poate fi folosit drept „profesor” pentru antrenarea unui sistem mai mic, mai rapid sau mai ieftin. Problema apare atunci când acest proces este realizat asupra modelului unei alte companii, fără permisiune și prin metode concepute pentru a evita limitările serviciului.

Termenii comerciali OpenAI interzic folosirea outputului companiei pentru dezvoltarea unor modele concurente, cu excepția unor situații permise explicit, și interzic tentativele de reverse engineering sau extragere neautorizată. Prin urmare, chiar dacă distilarea nu este automat ilegală în orice context, comportamentul descris de OpenAI ar încălca regulile contractuale ale platformei.

Compania merge însă mai departe și prezintă problema ca pe una de siguranță și securitate națională. Argumentul său este că un rival care extrage raționamentul unui model foarte performant poate transfera rapid o parte din capabilități către propriul sistem fără investițiile echivalente în cercetare și, mai ales, fără aceleași măsuri de siguranță. OpenAI avertizează că riscul devine mai important pentru modelele capabile să opereze în domenii cu dublă utilizare, precum securitatea cibernetică.

Același argument a fost formulat anterior și de Anthropic, care a acuzat mai multe companii chineze, inclusiv Moonshot, că ar fi folosit Claude pentru antrenarea propriilor sisteme. Playtech a relatat despre acuzațiile Anthropic împotriva DeepSeek, MiniMax și Moonshot AI, într-un conflict tehnologic care a căpătat între timp și o dimensiune geopolitică.

Și aici apare partea incomodă pentru OpenAI

Problema de imagine pentru OpenAI este că argumentul „nu îmi folosi rezultatele pentru a-ți antrena AI-ul” vine în timp ce compania apără în instanță propriul drept de a utiliza opere create de alții pentru a-și antrena modelele. OpenAI afirmă oficial că modelele sale folosesc informații disponibile liber pe internet și susține de mult timp că antrenarea AI pe astfel de materiale constituie „fair use”.

Nu toată lumea este de acord. The New York Times, autori, editori și alte organizații au deschis procese în care susțin că opere protejate au fost folosite fără permisiune. Playtech a scris recent despre poziția administrației americane în procesul dintre OpenAI și The New York Times, unde guvernul SUA a susținut argumentul potrivit căruia antrenarea poate intra, în anumite condiții, sub protecția doctrinei „fair use”.

Separat, Encyclopaedia Britannica și Merriam-Webster au dat și ele în judecată compania, acuzând-o că a folosit fără acord conținut protejat. Playtech a detaliat procesul Britannica și Merriam-Webster împotriva OpenAI. Acestea sunt acuzații aflate în litigiu, nu constatări definitive că OpenAI ar fi încălcat legea.

OpenAI spune că, după incidentul din iulie, a blocat conturile implicate, a înăsprit verificările la înscriere, și-a extins sistemele de monitorizare și a eliminat calea prin care un utilizator putea relua într-o altă sesiune un raționament criptat și încerca să-i recupereze conținutul. Compania a transmis informațiile și altor laboratoare AI prin Frontier Model Forum.

Așa că disputa scoate la suprafață una dintre cele mai incomode întrebări ale industriei AI: unde se termină „învățarea din informația existentă” și unde începe copierea nepermisă? OpenAI ar vrea ca linia să fie foarte clară atunci când propriile modele sunt ținta. Exact unde va fi trasată aceeași linie pentru materialele folosite la construirea lor rămâne, însă, o întrebare pe care instanțele încă încearcă să o rezolve.