Чьи тексты и картинки читает нейросеть
Чат-бот пишет стихи, объясняет налоги и рисует картины, но сам ничего не изучал в привычном смысле. Его знания собраны из огромных массивов текстов и изображений, и вокруг этих массивов сегодня идут суды, споры и переговоры о правилах.
Фото: Suzy Hazelwood, CC0, StockSnap
Из чего складываются знания модели
Языковая модель не хранит библиотеку в виде аккуратных папок. Она проходит предварительное обучение на гигантском корпусе текстов и учится предсказывать следующее слово. В процессе она усваивает грамматику, факты, стили и связи между понятиями. Отдельных «выписок» из книг внутри нет, есть числовые параметры, которые подстроились под обучающие данные.
В такие корпуса попадают открытые веб-страницы, энциклопедии, форумы, научные публикации, программный код, оцифрованные книги. Разработчики обычно не раскрывают точный состав данных, поэтому сказать наверняка, что именно «читала» конкретная модель, часто невозможно. Известны лишь общие категории и отдельные наборы данных, о которых рассказывали сами компании или исследователи.
Генераторы картинок учатся иначе: им показывают огромное число изображений с подписями. Модель запоминает закономерности: как выглядит закат, как строится портретный свет, чем отличается акварель от масла. Когда пользователь пишет запрос, она собирает новое изображение из этих закономерностей, а не вырезает кусочки из готовых работ.
Что происходит после основного обучения
Модель после первого этапа ещё не годится для разговора. Она умеет продолжать текст, но не умеет вежливо отвечать на вопросы. Поэтому следует этап дообучения. Сначала модель показывают примеры хороших диалогов, потом люди оценивают её ответы, и она подстраивается под предпочтения оценщиков. Этот приём называют обучением с обратной связью от человека.
Дообучение применяют и для узких задач. Банк может адаптировать модель под клиентские обращения, юридическая фирма под типовые договоры, медицинская компания под терминологию. Для этого используются закрытые корпоративные данные, и они не обязательно попадают в общую модель, но условия зависят от поставщика и договора.
Есть и третий способ получить свежие знания: подключить к модели поиск или внутреннюю базу документов. Тогда ответ строится на найденных фрагментах, а не только на том, что запомнилось при обучении. Такой подход помогает с актуальностью и позволяет указывать источник, хотя ошибки всё равно возможны.
Почему возник спор о правах
Авторы текстов, художники и фотографы задают простой вопрос: можно ли использовать их работы для обучения коммерческих систем без согласия и вознаграждения. Разработчики отвечают, что обучение похоже на чтение и анализ, а не на копирование, и что в ряде стран это допускается нормами о добросовестном использовании или исключениями для анализа данных.
Правообладатели возражают: модель способна выдавать фрагменты, близкие к оригиналу, а готовые результаты конкурируют с работами авторов. Особенно болезненно воспринимается ситуация, когда ИИ копирует узнаваемую манеру конкретного художника.
Споры дошли до судов. Газета The New York Times подала иск к OpenAI и Microsoft. Агентство Getty Images судилось со Stability AI из-за изображений, использованных для обучения; по этому делу в Великобритании в 2025 году прозвучало решение, а часть требований была отклонена. Группа художников предъявила претензии создателям нескольких генераторов картинок. Писатели подавали коллективные иски к разным компаниям, а одно из таких дел завершилось крупным мировым соглашением с Anthropic. Решения по разным делам неодинаковы, единой мировой практики пока нет, и ситуация меняется.
Что с этим происходит в России и в мире
В Российской Федерации прямого и подробного закона об обучении нейросетей на чужих произведениях нет. Обсуждаются разные подходы: от исключений для анализа данных до отдельного лицензирования и маркировки ИИ-контента. Вопрос о том, кому принадлежат результаты генерации, тоже остаётся предметом дискуссий. Российские разработчики, такие как Сбер с GigaChat и Kandinsky или Яндекс с YandexGPT и Шедевромом, публично рассказывают о принципах подготовки данных, но подробности закрыты.
В Европейском союзе действует регулирование, которое требует от поставщиков универсальных моделей раскрывать сводную информацию об обучающих данных и уважать оговорки правообладателей. В США вопрос решается через суды и по отдельным делам. Конкретные нормы лучше проверять по первоисточникам, поскольку они часто уточняются.
Это общая информация, а не юридическая консультация. Для конкретной ситуации, например при использовании чужих изображений в коммерческом проекте, нужен юрист.
Как правообладатели пытаются защититься
Самый простой механизм: файл robots.txt и специальные метки на сайте, которые просят роботов не собирать содержимое. Часть компаний-разработчиков заявляет, что учитывает такие запреты, но они носят добровольный характер, и ситуация зависит от конкретного сборщика данных.
Появились и лицензионные сделки. Новостные издания и фотобанки договариваются с разработчиками о платном доступе к архивам. Для авторов это шанс получать деньги, для компаний способ снизить юридические риски. Крупные платформы также предлагают встроенные настройки, позволяющие пользователю запретить использование своего контента для обучения.
Художники используют программы, которые слегка искажают изображение так, чтобы человеку оно казалось прежним, а модели мешало учиться. Эффективность таких инструментов обсуждается специалистами, и надёжной стопроцентной защитой их считать нельзя.
Что это значит для обычного пользователя
Для повседневных задач вопрос выглядит так. Ответ нейросети нельзя считать авторитетным источником: модель обобщает усвоенное и иногда уверенно ошибается. Если нужен факт, цифра или цитата, их стоит проверить.
При публикации результатов ИИ полезно помнить об условиях сервиса: часть платформ разрешает коммерческое использование, часть накладывает ограничения. А при работе с изображениями лучше избегать запросов вида «нарисуй в стиле такого-то живущего художника», чтобы не создавать этических и правовых проблем.
Перспективы связаны с прозрачностью. Вероятно, появятся более понятные стандарты маркировки, реестры наборов данных и отлаженные схемы выплат авторам. Для бизнеса это означает рост спроса на «чистые» данные, лицензированные архивы и корпоративные модели, обученные на собственных документах. Для читателей и зрителей важнее другое: умение отличать созданное человеком от сгенерированного и понимать, откуда у машины её знания.
