Majitel AI by měl mít práva na algoritmus a způsob zpracování dat, zdrojový kód, ale ne obsah vytvořený AI. Jednoduše protože AI nedělá nic jiného, než skládá z již existujících fotografií a obrázků nové. Sama od sebe bez zdroje nic nevytvoří. Tedy nemůže mít práva na to, když použije kousky z existujících tvoreb, které někdo umístil na internet. Měl by mít práva jen za předpokladu, že veškerá zdrojová data, která AI použila, byla pouze a výhradně z vlastnictví daného autora. Tedy třeba on sám by fotografie vytvořil, nebo namaloval malby ze kterých AI čerpala. Jakmile však použije byť jedinou fotografii cizí, nemůže získat práva na tvorbu, nebo by měl mít původní tvůrce právo na určitý podíl.
Jenže tady nastává problém, že se bude těžko prokazovat do jaké míry je jeho dílo použito a jestli to bylo opravdu jeho atd. Takže je jednodušší copyright rovnou neschválit.

Jenže AI se na ukázkových datech učí, ale pak složí něco vlastního. ne že z nioch vezme hotové kousky. To byste mohl říct, že malíř také nenamaloval obraz, ale jen se dal inspirovat předchůdci.

Ale kdepak. V tom je zásadní rozdíl. Nicméně mezi inspirací a plagiátorstvím je velmi tenká hranice a i u lidí je velmi obtížné určovat, zda se jedná stále o pouhou inspiraci, nebo prach sprosté kopírování. AI se učí, to ano, ale jen pracovat s nástroji kde mají být na obličeji oči, jak vypadají vlasy, že voda nemůže mít šikmou hladinu atd. Ale netvoří vlastní obsah, jelikož nemá fantazii ­/ představivost. Takže jediné co umí, je používat zdrojová data, ze kterých pak vytváří nová. Bez jiných fotek, nebo obrázků prostě nic nového sama od sebe nikdy nevytvoří. A tady je onen kámen úrazu, protože na ty obrázky ze kterých ty informace vytáhla, tak ty někdo musel vytvořit. Do autorských práv na takto vzniklý obrázek by pak měli být zahrnuti všichni, kdo do něj přispěli.

Jenomže tady je problém:

Nikdo nedokáže zajistit, že ­(lidský­) umělec bude vždy tvořit bez inspirace v dílech jiných lidí. V tom případě přeci dochází k překrytí postupů jak u AI, tak lidského umělce.

Musíte pochopit, že mezi inspirací a plagiátorstvím je zásadní rozdíl. Jestliže se inspirujete nějakým obrazem a namalujete podobný, máte plný nárok na autorská práva, protože jste nepoužil nic z původního obrazu.
Pokud však budete malovat obraz 1:1, nebo to samé jen jinak, tak už se jedná o plagiát. Jelikož AI používá data z jiných obrazů, bez kterých nikdy nic nevytvoří, tak se nejedná o dílo zcela nové, ale převzaté a různě kombinované.
O plagiát se jedná i tehdy, pokud si vezmu pouze část z původního díla. Pokud to nadnesu, tvorba AI je v podstatě jen pokročilejší fotografický filtr.
A abych to ještě lépe vysvětlil, pak AI funguje obdobně, jako kdybych přišel, vyfotil si v Louvreu Monu Lisu, tu fotku si tisíckrát vytiskl a pak z toho složil koláž a vydával to za vlastní dílo, na kterém se Leonardo da Vinci nikterak nepodílel.

Což je nesmysl. AI sice užívá data k učení, ale pak už jedná samostatně. Například AI řídící auto jede i na místa, která ve výuce neměla. Pokud by to bylo podle vás, tak tam nedojede.

Jenže AI v automobilech nemůžete srovnávat s kreativním AI. V autě AI nic nevytváří, pouze reaguje na vzniklou situaci. Vyhodnocuje jaká jsou místní pravidla pro provoz, kde jsou chodci, ostatní vozidla, překážky na silnici a kudy vede samotná cesta. Nic víc ta v autě neřeší. Pouze se snaží dostat z bodu A do bodu B a nenabourat u toho. To, že je tam křižovatka na které chce odbočit majitel vozidla doprava a při testech touto cestou nikdy to auto nejelo, není v podstatě žádný problém, protože řeší neustále stejné věci. Té AI je úplně jedno, jestli se nachází v Dallasu, nebo Praze. Postupuje pouze podle předem určených sekvencí. Rozpoznat dopravní značení a aktuální stav na dané trase. Nepotřebuje tu trasu znát. Vlastně by to bylo úplně k ničemu vědět, že tahle cesta vede okolo růžového domku se zahrádkou. Začínáte míchat jablka s hruškami. Obojí je sice ovoce, ale každý jiný druh.

Dovolím si zde trochu nesouhlasit. AI vytváří, ta přece reaguje na podněty a na jejich základě vytváří novou sekvenci chování podle svého natrénování. To ale neznamená, že se chová přesně tak. Nepostupuje podle předem určených sekvencí, to je právě to, co AI nedělá, a proč je takovým strašákem. Nikdo neví, jaká ta sekvence bude, a co AI ­"vymyslí­", jak se to ve výsledku naučila.

Patrně bude na přesně stejné podmínky reagovat vždy stejně, není­-li tam ještě nějaký náhodný prvek, ale ani tak nemáte zaručeno, že když ta situace bude v trénovací množině, že přesně na tu samou situaci v provozu AI zareaguje tak, jak velel trénovací výsledek. Jednoduše proto, že se na jejím trénování podílela i jiná trénovací data, která mohou výsledek pro tuto situaci pozměnit. AI interpoluje i extrapoluje. Vymýšlí to, co je mezi, i to, co je vně trénovacích dat.

Tak v tom případě bych teda AI do ruky zbraň nedával. To by se opravdu mohlo nějaké sci­-fi o konci světa přetavit v realitu.

Zbraň do ruky AI rozhodně stále nepatří. Tak daleko určitě ještě nejsme a troufám si říci, že velmi dlouho ještě ani nebudeme.

A jak přesně, že se to rozporuje s tím co zde píšu? Já tu psal, že AI je jedno, že danou trasu nezná a ani ji nepotřebuje znát, protože vychází z podnětů ­(dat­), které na té dané cestě průběžně nasbírá, jaké má naskriptované odpovědi pro danou situaci ty pak vyhodnocuje, porovnává a výsledek je pak její reakcí.
Předem určené má pouze informace jak se chovat při které situaci, tedy že na křižovatce se značkou STOP má na kraji křižovatky zastavit, nebo že smí na semaforech jet až v momentě, kdy v jejím směru svítí zelená, či že stojící překážku má objet pokud je to možné. Ale pochopitelně nemůže mít v databázi každou situaci, každý tvar křižovatky a silnice, ale pouze informace jak se v dané situaci chovat. Protože výmol je stále výmol a je jedno, jestli je vpravo, vlevo, velký či malý. Pokaždé upraví jízdu tak, aby se mu pokud možno vyhnula, nebo ho co nejšetrněji přejela, případně kdy má raději zastavit a předat řízení řidiči. Pokud bych měl jmenovat veškeré situace, pak by to byl neskutečně dlouhý elaborát, ale principy rozhodování jsou stále stejné. Problém X, řeší se metodou Y a ta má pravidla Z s body a­), b­) a c­) jak postupovat. Jen těch pravidel je obrovské množství.

"A jak přesně, že se to rozporuje s tím co zde píšu?­"

Tím, že moc nerozumíte tomu, jak AI funguje. Ani já v tom nejsem extra odborník, ale nějaké algoritmy AI už za sebou mám a to, co popisujete, není AI. Jaká databáze? O jaké databázi mluvíte? Takhle AI nefunguje.

"Předem určené má pouze informace jak se chovat při které situaci, tedy že na křižovatce se značkou STOP má na kraji křižovatky zastavit­", ­"Jen těch pravidel je obrovské množství.­"

Jak je to předem určené? Jaká pravidla, propána? Takhle AI nefunguje. Uvědomte si, že AI se na ty situace učí tím, že jí předhodíte miliony různých situací, kde se něco stane a ona z toho pak generalizuje, co má dělat a mohou to ­"rozbít­" jiné situace. Když ji předhodíte milion obrazů, kde řidiče na STOPce nezastaví, tak tam nezastaví ani AI. AI je tak dobrá, jak dobrá jsou její trénovací data.

Funguje to ­(velmi, velmi zjednodušeně­) asi takto.

1, Trénování. Hodíte tam situaci danou vstupy ­(třeba rychlost, natočení volantu,...­) a očekávaný výstup ­(zastavení, což je třeba číslo 0­). AI při trénování udělá následující. Rychlost vynásobí nějakým číslem ­(třeba 0,1­), úhel natočení volantu jiným ­(třeba 0,5­),... pronásobením a sečtením vyjde nějaké číslo ­(třeba 0,5­). Očividně to neodpovídá tomu, co mělo vyjít ­(měla vyjít 0­). Tak zpětně upraví váhy ­(třeba váhu 0,1 změní na 0,2 a druhou 0,5 na 0,3­). Znovu to zkusí, pronásobí, sečte. Nyní vyjde 0,2, což je blíže očekávané nule. A tak upravuje váhy, dokud není dostatečně blízko očekávanému výsledku. Tohle je učení ­(ono je to složitější, obvykle je tam spousta vrstev s těmito váhami­).

Neprogramujete, jak se má chovat. Nestanovujete pravidla, co se má dělat. Předhazujete situace dané nějakými vstupy a výstupy a AI se při trénování snaží udělat co nejlepší průměr ­(nastavování vah, prostě jen čísel, kterými se budou násobit vstupy­), aby pro různé kombinace vstupů vycházely co nejbližší výsledky tomu, co by mělo vyjít. Problém je v tom, že jiné situace mohou mít pro velmi podobné vstupy úplně jiný očekávaný výsledek a pak se musí hledat, který specifický parametr tam hraje tu velkou roli, která tak moc mění číslo, které má vyjít.

https:­/­/portal.matematickabiologie.cz­/res­/image­/Umela%20inteligence­/obr­-4­-4­-usporadani­-neuronu­-do­-vrstev.png

AI je algoritmus postavený na konceptu neuronové sítě. Učení je nacházení čísel, kterými se budou násobit jiná čísla ­(na obrázku tedy to, jakým koeficientem se bude násobit číslo putující po každé jednotlivé šipce­).

2, Používání. Hodíte to do reálného provozu a modlíte se, aby to rozumně interpolovalo a extrapolovalo výsledky.

"Programování­" dobré AI je z jedné části vymyšlení algoritmu, který se dokáže efektivně učit ­(správně nastavovat koeficienty a další detaily­), ale především je to o vzorových datech. Když to opravdu přeženu ­(ono to tak jednoduché opravdu není­), tak když algoritmu, který řídí autonomní auto, předhodíte na vstupy ne data ze senzorů, ale třeba data o vývoji akcií, tak vám tentýž algoritmus bude předpovídat vývoj akciového trhu. Vyvinout dobrou AI je o tom, jaké vstupy v jaké formě ji vlastně dát a pak sehnat dostatečné množství trénovacích dat.