Meta mendistribusikan torrent dan seeding dataset 81,7 TB yang berisi data berhak cipta

• Email internal dan dokumen pengadilan yang dibuka ke publik memperjelas klaim para penulis bahwa Meta mengunduh dataset buku bajakan untuk pelatihan AI melalui torrent dan melakukan seeding atas sebagian datanya
• Pokok persoalannya adalah apakah skala data yang diperoleh dari Anna’s Archive, LibGen, dan lainnya mencapai setidaknya 81,7 TB, serta apakah proses ini melampaui sekadar pengunduhan hingga menjadi distribusi
• Pesan internal menyisakan kekhawatiran tentang penggunaan torrent dari laptop perusahaan dan alamat IP Meta, sehingga pihak penulis menilai Meta menyadari risiko hukumnya
• Indikasi bahwa Meta menghindari penggunaan server Facebook dan mengubah pengaturan untuk meminimalkan seeding menjadi bukti kunci untuk menentukan apakah Meta sadar terhadap pelacakan unduhan dan seeding
• Meta membantah dengan menyatakan bahwa pelatihan AI berbasis LibGen merupakan penggunaan wajar, dan berargumen bahwa penggugat tidak membuktikan adanya kasus nyata pengunduhan oleh pihak ketiga

---

Isu gugatan yang terungkap dari email yang dibuka ke publik

• Dalam gugatan hak cipta yang diajukan para penulis buku terhadap Meta, email yang dibuka ke publik digunakan sebagai bukti utama yang merugikan Meta
• Para penulis mengklaim Meta melatih model AI menggunakan buku bajakan
• Meta bulan lalu mengakui telah melakukan torrent terhadap dataset besar kontroversial LibGen, tetapi cara dan skalanya belum jelas hingga dokumen dibuka ke publik

Skala torrent dan sumber data

• Menurut dokumen pengadilan dari pihak penulis, Meta diklaim telah melakukan torrent setidaknya 81,7 TB dari berbagai shadow library melalui Anna’s Archive
  • Dari jumlah tersebut, setidaknya 35,7 TB adalah data Z-Library dan LibGen
  • Termasuk pula klaim bahwa Meta sebelumnya melakukan torrent 80,6 TB dari LibGen
• Pihak penulis menilai skala torrent Meta “mencengangkan”, dan menyampaikan kepada pengadilan bahwa ada kasus pembajakan data yang jauh lebih kecil—hanya 0,008% dari skala karya yang mereka klaim telah disalin Meta—yang berujung pada rujukan untuk penyelidikan pidana

Dampak seeding terhadap klaim pelanggaran langsung

• Para penulis berfokus pada apakah penggunaan torrent oleh Meta melibatkan seeding, bukan sekadar pengunduhan
• Seeding dapat berarti membagikan file torrent ke pihak luar, sehingga menjadi isu yang memperkuat teori distribusi dalam klaim pelanggaran hak cipta langsung dari pihak penulis
• Meta menentang upaya para penulis untuk meninjau data torrent dan seeding Meta, dan sebelumnya pengadilan menolak permintaan peninjauan dari para penulis
• Setelah itu, para penulis memperoleh bukti terpisah dan mengklaim bahwa dokumen internal memuat indikasi para karyawan Meta menyadari risiko hukum torrent

Kekhawatiran hukum yang tersisa dalam pesan internal

• Insinyur riset Meta Nikolay Bashlykov menulis dalam pesan pada April 2023 bahwa “rasanya tidak tepat menggunakan torrent di laptop perusahaan”, dan menyatakan kekhawatiran tentang “memuat pirate content melalui torrent” menggunakan alamat IP Meta
• Pada September 2023, Bashlykov menghubungi tim hukum secara langsung dan menekankan bahwa penggunaan torrent berarti seeding file, yaitu berbagi konten ke pihak luar, sehingga “mungkin tidak aman secara hukum”
• Pihak penulis melihat email semacam ini sebagai bukti bahwa Meta mengetahui ilegalitas tindakan tersebut
• Menurut klaim pihak penulis, hingga April 2024 Meta mengunduh dan melakukan seeding data berskala terabita dari berbagai shadow library sambil berusaha menyembunyikan penggunaan torrent sebisa mungkin

Dugaan penyembunyian seeding dan respons Meta

• Pihak penulis mengklaim Meta tidak menggunakan server Facebook untuk mengunduh dataset agar menghindari risiko “seeder/downloader” dilacak ke server Facebook
  • Pesan internal peneliti Meta Frank Zhang menggambarkan pekerjaan tersebut sebagai stealth mode
  • Menurut kesaksian eksekutif manajemen proyek Michael Clark, Meta mengubah pengaturan agar seeding diminimalkan sejauh mungkin
• Pihak penulis menyatakan informasi baru ini bertentangan dengan kesaksian sebelumnya, sehingga karyawan Meta yang terlibat dalam keputusan torrent LibGen harus diperiksa kembali
• Mark Zuckerberg mengklaim tidak terlibat dalam keputusan menggunakan LibGen untuk melatih model AI, tetapi pihak penulis menilai pesan yang dibuka ke publik menunjukkan bahwa keputusan penggunaan LibGen dilakukan setelah terlebih dahulu dieskalasikan kepada “MZ”

Klaim penggunaan wajar dan proses yang tersisa

• Sepanjang proses gugatan, Meta terus menyatakan bahwa pelatihan AI menggunakan LibGen merupakan penggunaan wajar
• Dalam permohonan penolakan bulan lalu, Meta berargumen bahwa para penggugat tidak menyajikan satu pun kasus di mana pihak ketiga benar-benar mengunduh sebagian buku melalui torrent Meta, dan juga tidak membuktikan bahwa buku-buku penggugat didistribusikan oleh Meta
• Sementara discovery terbatas atas persoalan seeding Meta sedang berlangsung, Meta saat ini tidak membantah bagian seeding dari klaim pelanggaran hak cipta langsung
• Meta menyampaikan kepada pengadilan bahwa pada tahap putusan ringkas pihaknya akan meluruskan catatan dan membantah bahwa klaim tersebut tidak berdasar

[GN⁺]

Komentar Hacker News

• Melihat LLM mengetahui karya berhak cipta seperti ensiklopedia, rasanya semuanya melakukan hal yang mirip
  Kalau dilihat lebih luas, YouTube pada awalnya juga seperti kota hantu, lalu tumbuh setelah acara TV berhak cipta diunggah ke sana; Google juga membesar dengan mengindeks data orang lain tanpa kompensasi; dan pustaka musik awal Spotify juga merupakan hasil pembajakan
  Perusahaan sangat agresif melindungi hak kekayaan intelektual mereka sendiri, sementara sama sekali tidak segan melanggar hak orang lain, tetapi individu tidak punya privilese semacam itu. Kalau kamu mencolokkan laptop ke lemari MIT dan mengunduh paper, hidupmu bisa hancur

  • Orang-orang di sini cukup pintar, jadi cukup jangan ikut berpartisipasi dan hemat uang
    Jangan bayar untuk barang digital. Kalau Netflix menaikkan harga, semua acaranya ada di torrent; kalau Spotify menaikkan harga, diskografi lengkap artis favoritmu ada di torrent; dan kalau perusahaan game meminta harga dunia nyata untuk kostum digital, cari crack lalu main di server privat
    Perusahaan bernilai miliaran dolar sudah menunjukkan bahwa mereka tidak peduli padamu, dan kepada orang yang mengeluh kehilangan gaji, cukup jawab, “terima kasih sudah dibayar.” Kalau ingin langsung membantu kreator, datanglah ke pertunjukan mereka atau kirim cek; dan kalau kamu bahkan tidak bisa menunjuk siapa yang benar-benar dirugikan, tak perlu dipedulikan
  • Masalahnya bukan bahwa perusahaan melakukan hal seperti ini lalu lolos begitu saja, melainkan hanya individu yang dihukum. Upaya mengurung informasi di balik sistem hukum yang seperti mimpi buruk itulah masalahnya
    Sekarang saya hampir tidak lagi percaya pada logika bahwa “hak cipta mendorong penciptaan.” Hak cipta, seperti iklan, memang mendorong penciptaan oleh perusahaan besar, tetapi seperti iklan juga, sebagian besar mendorong penciptaan bernilai rendah
    Yang dibutuhkan individu kreatif bukan hak cipta, melainkan jaring pengaman yang memberi mereka kebebasan untuk meluangkan waktu pada kreativitas yang muncul secara alami. Jika tujuannya mendorong penciptaan, hak cipta adalah pengganti pendapatan dasar universal yang buruk dan mahal
  • “Mencolokkan laptop ke lemari MIT dan mengunduh paper lalu kehilangan hidup” merujuk pada Aaron Swartz
    Salah satu pendiri Reddit dan seorang aktivis, ia menghadapi ancaman hukuman 35 tahun penjara dan denda 1 juta dolar hanya karena dituduh mengunduh banyak paper akademik dari JSTOR, dan tekanan itu pada akhirnya membuatnya meninggal dunia. Semoga ia beristirahat dengan tenang
  • Yang mengunggah acara TV berhak cipta bukan karyawan YouTube, melainkan pengguna akhir, dan YouTube menghapusnya sesuai permintaan DMCA, jadi rasanya mereka kurang lebih mematuhi hukum
    Mengikis situs web publik untuk membuat indeks pencarian tidak sama dengan membuat LLM yang bisa mereproduksi teks asli apa adanya tanpa atribusi. Meski begitu, masih ada ruang untuk berdebat soal sifat transformatif akhir dari LLM
    Pustaka musik Spotify juga tampaknya bukan versi yang secara umum disediakan kepada publik, dan kelihatannya dilakukan dengan izin dari pemegang hak cipta
  • Kekaisaran Inggris juga pernah mencoba mempertahankan monopoli atas mesin alat tenun uap, dan Amerika Serikat masuk ke persaingan dengan tipu daya
    Bahkan sebelumnya, Kekaisaran Inggris melesat dengan mencuri emas dari Spanyol, dan Spanyol sendiri sedang mengeksploitasi Aztec dan penduduk asli Meksiko
    Ini selalu terjadi, tetapi budaya tidak bekerja seperti widget fisik, jadi manfaat penyalinan digital tidak boleh dicuri segelintir orang melalui perangkat kelangkaan buatan seperti DRM, hak cipta, dan paten

• Semakin banyak kita tahu bagaimana perusahaan AI melatih model mereka, semakin jelas bahwa kita semua hanya orang bodoh yang dimanfaatkan
  Kita percaya hukum itu penting, percaya bahwa di tempat kerja kita tidak boleh pernah memelintir atau menyembunyikan apa yang kita lakukan, dan percaya bahwa kita harus mematuhi syarat layanan kita sendiri maupun syarat layanan situs dan produk lain
  Saat mendaftar ke situs web atau konten, saya pikir kita harus selalu memakai email perusahaan agar pihak lawan bisa secara wajar memutuskan apakah akses boleh diberikan, tetapi ternyata sejak awal kita seharusnya asal gas YOLO. Sesuatu bukan ilegal sampai ketahuan, dan kalau sudah cukup besar sebelum ketahuan, aturan tidak berlaku lagi

  • Kalau dulu masih ada keraguan, sekarang orang paling berkuasa sudah memberi contoh pelajaran itu dengan tindakannya sendiri dan bahkan mendapat persetujuan lewat pemungutan suara publik
    Hadiah karena bertindak etis sayangnya kadang hanya kepuasan pribadi. Melihat teladan yang disaksikan anak-anak di sekitar mereka, rasanya membesarkan anak di lingkungan seperti ini benar-benar sulit
  • Maksudnya bukan “sejak awal kita seharusnya asal gas YOLO.” Sikap yang benar-benar bodoh justru meniru mereka
    Demi rasa hormat pada diri sendiri saja, kita harus bertindak dengan moralitas dan integritas. Saya tidak pernah berkhayal bahwa perusahaan teknologi besar menghormati hukum, tetapi itu persoalan yang terpisah dari diri saya
  • Kalau punya waktu beberapa jam, episode Meta dari podcast Acquired cukup membuka mata
    Mereka tampak meraba-raba melakukan satu eksperimen growth hacking demi eksperimen berikutnya tanpa penilaian risiko atau kesadaran etis yang berarti
  • “Bukan ilegal sampai ketahuan” tidak tepat
    Bahkan setelah ketahuan pun, itu hanya ilegal kalau kamu termasuk jenis orang yang salah. Untuk jenis orang yang benar, bahkan tamparan ringan di pergelangan tangan pun tidak ada

• Saya tidak paham kenapa masih dipertanyakan apakah Meta melatih LLM dengan materi berhak cipta. Itu tertulis jelas di makalah mereka
  Makalah LLaMA [Touvron et al., 2023] menyatakan, “dataset pelatihan mencakup dua korpus buku: Project Gutenberg dan bagian Books3 dari ThePile”
  Jika mengikuti rujukannya, Books3 dijelaskan sebagai dataset buku yang diturunkan dari salinan konten private tracker Bibliotik yang dipublikasikan Shawn Presser. (Presser, 2020) merujuk ke https://twitter.com/theshawwn/status/1320282149329784833 dan, lucunya, juga merujuk ke kebijakan DMCA ini: https://the-eye.eu/dmca.mp4
  Selain itu, mereka juga mengatakan melatihnya dengan GitHub, halaman web, dan ArXiv, yang semuanya memuat konten berhak cipta. Pertanyaan utamanya bukan apakah mereka melatih dengan materi berhak cipta, karena itu sudah jelas, melainkan apakah melatih, menggunakan, dan mendistribusikan model AI, bobot, dan output yang dilatih dengan materi berhak cipta itu legal
  [Touvron et al., 2023] https://arxiv.org/pdf/2302.13971
  [Gao et al., 2020] https://arxiv.org/pdf/2101.00027

  • Intinya, mereka menerima lewat torrent sambil secara langsung mendistribusikan salinan materi berhak cipta
    Ini adalah pelanggaran tersendiri, terpisah dari perdebatan soal LLM yang sudah dilatih
  • Dalam masalah melatih LLM dengan data yang dilindungi “hak cipta”, ada dua hal berbeda yang hampir tidak pernah dibedakan
    Yang pertama adalah melatih dengan materi berhak cipta yang tersedia secara publik. Jika Anda menulis puisi lalu mengunggahnya agar bisa dibaca seluruh dunia, itu tetap kekayaan intelektual Anda dan orang lain tidak boleh menjualnya begitu saja, tetapi orang bebas membacanya dan terinspirasi olehnya. Dalam kasus ini, legalitas pelatihannya sedang diuji di pengadilan, dan sejauh ini tampaknya lebih menguntungkan pihak LLM
    Yang kedua adalah melatih dengan materi berhak cipta yang tidak dipublikasikan. Pada praktiknya, ini adalah barang bajakan atau materi yang diperoleh lewat jalan memutar untuk menghindari biaya. Jika sebuah puisi di balik paywall diketahui oleh LLM tanpa kompensasi, sementara untuk melihat karya itu orang secara hukum harus membayar, maka itu jelas ilegal. Meski begitu, masih bisa diperdebatkan untuk syarat seperti membeli hak akses arsip lalu melatih semua isi di dalamnya
  • Fakta bahwa sesuatu digunakan untuk pelatihan tidak berarti hal itu termuat secara bermakna dalam keadaan akhirnya
    Jika pengguna meretas model untuk menarik keluar potongan data mentah yang dengan mudah bisa diubah gayanya agar terlihat mirip, masih bisa dipertanyakan apakah itu benar-benar pelanggaran hak cipta. Bagaimana jika dibutuhkan dua model
    Mungkin kita sekarang harus menerima bahwa kemampuan manusia untuk menilai upaya plagiarisme secara langsung memang sudah mencapai batasnya. Seperti sulitnya membedakan suara Sky dan suara Her

• Saya sangat menyarankan untuk membaca pidato tentang hak cipta karya Thomas Babington Macaulay. Ia menjelaskan tujuan, durasi, dan risiko hak cipta dengan sangat logis
  Khususnya, sering dikatakan bahwa perpanjangan hak cipta adalah cara yang adil untuk mencegah situasi ketika seorang penulis meninggal dan meninggalkan keluarganya dalam kemiskinan, tetapi dalam kebanyakan kasus keluarga yang ditinggalkan justru tidak pernah memiliki hak cipta itu
  Penulis sejak awal menjual hak reproduksinya kepada penerbit, lalu penerbit menimbun karya itu tanpa menerbitkannya, dan ketika penulis terdesak kemiskinan, mereka memaksanya menyerahkan hak cipta sepenuhnya dengan harga murah. Dalam kasus seperti ini, perpanjangan hak cipta hanya menguntungkan penerbit dan justru memperbesar insentif untuk merampas hak cipta

  • Bukankah Thomas Babington Macaulay itu orang yang membuat buku-buku Sanskerta Hindu diterjemahkan dengan buruk lalu berkata bahwa “satu rak buku dari perpustakaan Eropa yang baik lebih berharga daripada seluruh sastra asli India dan Arabia”?
    Orang seperti itu mau mengajari kita soal hak cipta? Tidak, terima kasih
  • Saya sangat tidak suka hak kekayaan intelektual dan yakin hal seperti itu memang terjadi, tetapi kalau adil, jika hak cipta diperpanjang sampai setelah kematian, maka jumlah uang yang bisa diterima penulis saat menjualnya di awal juga naik
  • Yang bisa dijual penulis adalah sesuatu yang menjadi aset bernilai justru karena perlindungan hak cipta
    Entah penulis menjual haknya atau tidak, penulis dan keluarganya tetap lebih diuntungkan ketika hak cipta itu ada
  • Satu contoh itu tidak membuat pencurian bisa diterima. Dan itulah yang sedang Anda isyaratkan sekarang

• Libgen adalah proyek peradaban yang seharusnya didukung, bukan dituntut
  Saya berharap suatu hari nanti orang-orang akan melihat kembali betapa bodohnya kita sekarang karena menolak kumpulan karya sastra terbesar dalam sejarah umat manusia

  • Anna's Archive mendorong agar shadow library mereka digunakan untuk pelatihan LLM, bahkan dimonetisasi
    Ada halaman khusus di situsnya, dan jika membayar, Anda bisa mengunduh seluruh dataset dengan kecepatan tinggi
  • Saya penasaran seberapa besar trafik Libgen meningkat karena gugatan ini
    Ketika Metallica menggugat Napster, reaksi banyak orang adalah, “Tunggu, musik bisa diunduh gratis?”
  • Libgen menjadi masalah ketika perusahaan yang mengembangkan AI generatif menggunakannya
    Karena itu membuat produsen GPU mendapat uang, atau mereka sendiri menghasilkan uang lewat layanan berbayar seperti OpenAI
  • Menurut saya pentingnya dibesar-besarkan. Berkat internet, hampir semua buku sudah bisa dipesan dan sampai ke depan pintu dalam seminggu, atau langsung didapat di e-reader
    Perpustakaan daerah juga kemungkinan ikut sistem pinjam antarperpustakaan, jadi Anda bisa meminta buku dari perpustakaan mana pun di seluruh negeri secara gratis
    LibGen hanya memberi akses ke kumpulan karya yang jauh lebih kecil daripada keduanya, dengan sedikit kenyamanan tambahan. Perbedaan terbesarnya adalah penulis sama sekali tidak mendapat kompensasi. Tinggal pergi saja ke perpustakaan sungguhan

• Semua orang tampaknya senang membenci perusahaan besar, terutama Meta, dan menjadikannya kesempatan untuk menuntut hukuman bagi mereka
  Namun arah yang lebih bijak adalah menyerukan perubahan pada undang-undang hak kekayaan intelektual

  • Saya muak dengan standar ganda
    https://en.wikipedia.org/wiki/Aaron_Swartz#United_States_v._...
    https://en.wikipedia.org/wiki/Aaron_Swartz#Death
    Aaron Swartz didorong hingga bunuh diri setelah mengalami persekusi, sementara perusahaan-perusahaan ini akan bebas melenggang dan meraup miliaran. Menurut saya, semua CEO perusahaan teknologi seharusnya diperlakukan seperti Swartz dulu, lalu setelah itu baru hukumnya diubah
  • Anda sedang mencampuradukkan masalah yang berbeda
    Perusahaan besar terlalu besar, dan seharusnya tidak boleh ada begitu saja. Jika korporasi menjadi lebih kuat daripada negara bagian terbesar, itu bukan fitur melainkan bug
    Undang-undang hak kekayaan intelektual mungkin memang perlu ditinjau ulang. Tetapi mengatakan hukum harus dihapus karena perusahaan besar berada di atas hukum tidak akan membantu. Hancurkan dulu perusahaan besarnya, baru setelah itu pikirkan hukum yang adil. Bahkan jika hukumnya diubah sekarang, perusahaan-perusahaan ini sudah berada di atas hukum, jadi tidak ada yang akan berubah
  • Saya sungguh berharap Meta mengalami insiden keamanan serius dan perusahaan itu terbakar habis
    Meski begitu, jika mereka harus terbakar, itu harus karena alasan yang benar. Mengunduh data yang seharusnya terbuka untuk publik bukanlah alasan itu
  • Perusahaan besar tidak punya moral atau etika. Jika menguntungkan, mereka akan melanggar hukum apa pun
    Percuma mengeluh kepada Meta atau Zuck. Meta bertindak sesuai desainnya. Kalau Anda tidak suka, Anda harus memilih lebih banyak regulasi
  • Hukum mereka dulu, lalu ubah hukumnya sesudah itu

• Ini mengingatkan saya pada orang-orang internet gila zaman dulu yang berpikir bahwa hukum hak cipta terlalu ketat, dan bahwa membatasi akses umat manusia terhadap pengetahuan seperti ini membuat semua orang tertinggal demi kepentingan segelintir orang

  • Saya sepenuhnya mendukung pembongkaran total hukum hak cipta. Tetapi sampai itu terjadi, perusahaan seperti Meta juga harus diperlakukan sama seperti semua orang lain
    Artinya perlu ada gugatan, hukuman penjara, dan denda jutaan dolar. Dan itu baru bagian pembajakannya, belum bagian kebohongan dan penipuannya
    Menariknya, sebuah proyek LLM di Belanda pernah diminta berhenti setelah lobi hak cipta setempat mengetahui bahwa mereka berlatih menggunakan sekumpulan ebook bajakan. Sayang mereka tidak membawanya ke pengadilan, dan saya ingin melihat apakah lobi yang sama juga bisa menyeret turun ChatGPT dan perusahaan AI lain yang melakukan hal serupa
  • Yang lebih mengkhawatirkan, solusi terbaik yang bisa dipikirkan orang-orang dengan bayaran setinggi itu ternyata pada akhirnya sama saja: mengunduh torrent seperti orang lain
    Mereka punya sumber daya miliaran dolar; apakah tidak ada seorang pun yang berpikir untuk memakai sebagian kecilnya guna mendigitalisasi data baru? Bahkan Google pun melakukannya
  • Dengan “orang-orang internet gila zaman dulu”, apakah yang dimaksud adalah Electronic Frontier Foundation? https://www.eff.org/issues/innovation
  • Salah satu pelajaran terbesar yang saya dapat saat tumbuh dewasa adalah bahwa aman untuk hidup dengan mempercayai prinsip “semua orang bergerak demi kepentingan diri sendiri”
    Orang yang benar-benar memegang teguh ideal yang merugikan hidup mereka sendiri itu sangat langka, sampai-sampai sulit dipercaya

• Di luar pengunduhan dan distribusi ilegal konten berhak cipta, artikel itu juga mengatakan bahwa karyawan Meta tampaknya berbohong tentang hal tersebut dalam kesaksian mereka
  Secara potensial, ini bisa mencakup Mark Zuckerberg sendiri

  • CEO perusahaan teknologi besar berbohong kepada kita?
    Reaksi yang enteng, memang, tetapi terlalu banyak orang memuja altar para pencipta lapangan kerja dan percaya orang-orang seperti ini bermoral serta merupakan warga yang baik

• Jika saya yang mengunduh dan melakukan seeding lewat torrent, pemegang hak cipta besar akan mengejar saya meskipun itu bukan untuk tujuan komersial melainkan hiburan pribadi
  Kalau Meta yang melakukannya, apakah tidak apa-apa hanya karena mereka punya pengacara yang lebih bagus? Ini bisa menjadi preseden hukum yang menarik

  • Preseden seperti itu hanya akan melanggengkan sistem yang menguntungkan orang-orang yang mampu membayar pengacara

• Saat ini juga saya teringat pada Aaron Swartz

  • Karena yang itu adalah makalah akademik, secara perdebatan bisa dibilang lebih tidak berbahaya
  • Apakah Aaron ingin kita mengunduh materi untuk melatih AI?