OpenAI čelí obvinění z použití nepublikovaných matematických prací k tréninku AI

OpenAI čelí obvinění, že při trénování svých modelů umělé inteligence použila nepublikované práce matematiků bez jejich souhlasu. Podle informací, které přinesl novinář Phillip Broadwith, se má jednat o materiály týkající se důkazů pro Navier–Stokesovy rovnice – jeden z nejsložitějších a dosud nevyřešených problémů matematické fyziky, popisující proudění tekutin. Případ opět otevírá otázku, odkud firmy vyvíjející AI berou data pro trénink svých systémů a zda mají k jejich využití legitimní oprávnění.

Spor ukazuje na širší problém, se kterým se odvětví umělé inteligence dlouhodobě potýká. Modely potřebují k dosažení kvalitních výsledků obrovské množství dat, ale ne vždy je jasné, za jakých podmínek byla tato data získána a zda autoři, jejichž práce byla použita, o tom vůbec vědí. „Data je životní silou AI modelu,“ shrnuje podstatu problému citace, která se v souvislosti s případem objevila. Bez kvalitních a důvěryhodných dat totiž žádný model nemůže fungovat spolehlivě, bez ohledu na to, jak sofistikovaná je jeho architektura.

Otázka transparentnosti dat přitom nabývá na významu i v souvislosti s úspěchy, které umělá inteligence v posledních letech zaznamenala ve vědě. Připomíná se především případ AlphaFold od Google DeepMind, systému, který dokázal předpovídat trojrozměrnou strukturu bílkovin. Za tento průlom obdrželi jeho tvůrci v roce 2024 podíl na Nobelově ceně za chemii. AlphaFold je dáván za příklad toho, jak může AI dosáhnout přelomových výsledků, pokud má k dispozici rozsáhlé a dobře strukturované databáze – v tomto případě šlo především o veřejně dostupné údaje o strukturách bílkovin, které vědecká komunita shromažďovala po desetiletí.

Podobný princip se nyní testuje i v komerční sféře. Farmaceutické společnosti disponují rozsáhlými soukromými knihovnami dat, získanými během let výzkumu a vývoje léčiv. Ukazuje se, že právě přístup k takovým datům dokáže výrazně zlepšit schopnost modelů předpovídat vlastnosti molekul, chování látek v organismu nebo výsledky klinických studií. Tato data jsou však citlivá a firmy si střeží jejich kontrolu, což vede k otázkám, za jakých podmínek by mohla být sdílena s vývojáři AI systémů, aniž by došlo k porušení duševního vlastnictví nebo obchodního tajemství.

Odborníci se shodují, že cesta vpřed nespočívá jen v hromadění existujících dat, ale i v generování zcela nových datových sad, které by byly speciálně navržené pro trénink specializovaných modelů. To by mohlo pomoci překonat současné limity, kdy AI systémy často pracují s daty, jejichž kvalita, přesnost nebo právní status jsou nejasné.

Případ OpenAI a matematiků pracujících na Navier–Stokesových rovnicích tak znovu vyvolává diskusi o nutnosti vytvořit jasný rámec pro uznávání autorství a lidského přínosu při vývoji umělé inteligence. V současnosti chybí obecně přijímaný systém, který by stanovil, jak by měli být vědci, výzkumníci nebo instituce kompenzováni nebo alespoň uznáni za to, že jejich práce – ať publikovaná, nebo nepublikovaná – posloužila k trénování komerčních AI modelů.

Bez takového rámce hrozí, že podobné spory se budou opakovat, a to zejména v oblastech, kde jsou v sázce roky odborné práce a intelektuálního úsilí, jako je právě pokročilá matematika nebo základní výzkum. Zástupci akademické obce upozorňují, že nedostatečná ochrana nepublikovaných výsledků může vědce od sdílení práce odrazovat, což by v konečném důsledku mohlo zpomalit i samotný vědecký pokrok, na kterém mají firmy vyvíjející AI sami zájem.

Případ OpenAI tak dokresluje, že diskuse o datech pro trénink umělé inteligence se netýká pouze technických otázek kvality a množství, ale stále více i etických a právních aspektů. Bez důvěryhodného systému, který by jasně stanovil pravidla pro použití cizí práce, se podobné spory pravděpodobně budou objevovat i nadále, a to napříč vědeckými obory i komerčním sektorem.