文件在计算机中：论版权、记忆与生成式AI

《纽约时报》对OpenAI和微软提起的版权诉讼指控OpenAI的GPT模型“记忆”了NYT的文章。其他诉讼也提出了类似主张。但各方、法院和学者对于什么是记忆、是否正在发生以及其版权影响是什么存在分歧。这些争论因“记忆”本质的模糊性而变得扑朔迷离。我们试图为这一讨论带来清晰度。我们借鉴技术文献为法律讨论提供坚实基础，给出了记忆的精确定义：当(1)可以从模型中重构出(2)某条训练数据的(3)近乎精确副本的(4)实质部分时，模型即“记忆”了该条训练数据。我们将记忆与“提取”（用户故意导致模型生成近乎精确副本）、“反刍”（无论用户意图如何，模型生成近乎精确副本）以及“重构”（通过任何手段从模型中获得近乎精确副本）区分开来。由此得出几个结论：(1)并非所有学习都是记忆。(2)记忆发生在模型训练时；反刍是症状而非原因。(3)记忆了训练数据的模型在版权意义上是该训练数据的“副本”。(4)模型不像录像机（VCR）或其他通用复制技术；它在生成某些类型的输出（可能是反刍的输出）方面比其他类型更擅长。(5)记忆不是由一心想要提取的“对抗性”用户引起的现象；它潜伏在模型本身之中。(6)模型记忆的训练数据量是训练中所做选择的后果。(7)已发生记忆的模型是否实际反刍取决于整体系统设计。在非常真实的意义上，被记忆的训练数据就在模型中——引用Zoolander的话来说，文件就在计算机里。