آثار من برای آموزش AI استفاده می‌شوند؟ راهنمای حق‌نشر در ۲۰۲۶

تصویر هنرمندی که درباره استفاده از آثار برای آموزش هوش مصنوعی و حق نشر بررسی می‌کند

فهرست مطالب

حق‌نشر هوش مصنوعی در ۲۰۲۶؛ راهنمای محافظت از آثار

اثر من را برای آموزش هوش مصنوعی استفاده می‌کنند؟ راهنمای حق نشر هوش مصنوعی در ۲۰۲۶
وقتی اثر وارد مجموعهٔ آموزش یک مدل می‌شود، مسیر مجوز، انتساب و اعتراض باید قابل پیگیری باشد.

آیا ممکن است یک مدل هوش مصنوعی با دیدن تصویر، کتاب، موسیقی یا مقالهٔ شما یاد گرفته باشد و بعد سبکی شبیه آن بسازد؟ این پرسش در سال ۲۰۲۶ دیگر فقط دغدغهٔ هنرمندان دیجیتال نیست؛ نویسنده، مترجم، عکاس، ناشر، برنامه‌نویس و حتی کسب‌وکارهای کوچک هم با آن روبه‌رو هستند. پاسخ کوتاه این است که یک قانون جهانی و یکسان وجود ندارد که هر نوع آموزش مدل را همیشه مجاز یا همیشه ممنوع بداند. کشور، نوع اثر، شیوهٔ دسترسی، شرایط مجوز، هدف استفاده و میزان شباهت خروجی اهمیت دارند. در این راهنمای حق نشر هوش مصنوعی، مرز میان واقعیت، ادعا و اقدام عملی را روشن می‌کنیم تا بتوانید از اثر خود محافظت کنید، مجوز بدهید یا با ریسک آگاهانه از ابزارهای هوش مصنوعی بهره ببرید.

خلاصهٔ سریع: در اتحادیهٔ اروپا، برای ارائه‌دهندگان مدل‌های عمومی از ۲ اوت ۲۰۲۵ تعهدهایی دربارهٔ سیاست رعایت حق‌نشر و انتشار خلاصهٔ محتوای آموزشی برقرار شده است. گزارش دولت بریتانیا در ۲۰۲۶ هنوز گزینه‌ها را بررسی می‌کند و به‌معنای تصویب یک استثنای تازه نیست. دفتر حق‌نشر آمریکا نیز موضوع آموزش مولد را در دست بررسی داشته است. این‌ها را به یک حکم حقوقی جهانی تبدیل نکنید؛ قوانین محل اثر و قرارداد شما تعیین‌کننده‌اند.

چرا بحث آموزش هوش مصنوعی با یک «کپی‌برداری» ساده فرق دارد؟

در آموزش مدل، مجموعه‌ای از فایل‌ها ممکن است گردآوری، پاک‌سازی، تبدیل، قطعه‌بندی و به نمایش‌های عددی تبدیل شود. مدل معمولاً برای پاسخ‌دادن، فایل اصلی را مانند پوشه‌ای از تصاویر باز نمی‌کند؛ در مرحلهٔ آموزش، پارامترهایش تغییر می‌کنند تا الگوهای آماری را پیش‌بینی کند. این توصیف فنی به‌تنهایی نمی‌گوید استفاده از فایل قانونی بوده است یا نبوده است. دانلود یک نسخهٔ کامل می‌تواند از نظر حقوقی با استخراج ویژگی‌ها، نگهداری نسخهٔ موقت، پردازش برای جست‌وجو و تولید خروجی متفاوت باشد. بنابراین پرسش درست فقط «آیا مدل اثر را در خود دارد؟» نیست؛ باید پرسید چه نسخه‌ای از اثر، از کجا، با چه مجوزی، برای چه هدفی و تحت کدام قانون وارد زنجیره شده است.

مخاطبان معمولاً سه مرحله را با هم یکی می‌گیرند: گردآوری داده، آموزش مدل و تولید پاسخ. ممکن است ناشر برای خزندهٔ وب مجوزی محدود تعریف کرده باشد، اما فایل دیگری از همان اثر در یک مخزن عمومی یا مجموعهٔ آموزشی بازنشر شده باشد. ممکن است مدل از اثری الهام آماری گرفته باشد، اما خروجی آن قطعهٔ قابل‌شناسایی و نزدیک به اثر نباشد؛ یا برعکس، خروجی بخشی از متن یا تصویر موجود را تقریباً بازتولید کند. هر مرحله، سؤال و راهکار متفاوتی دارد. سیاست خزنده به دسترسی کمک می‌کند، قرارداد به مجوز می‌پردازد و ثبت شواهد برای بررسی خروجی اهمیت دارد.

همچنین «سبک» با «اثر مشخص» یکسان نیست. در بسیاری از نظام‌های حق‌نشر، ایده، روش یا سبک کلی با بیان مشخص اثر تفاوت دارد؛ اما این جمله نه مجوزی برای تقلید بی‌قید است و نه پاسخ قطعی به هر پرونده. نام هنرمند، نمونهٔ مشخص، ترکیب‌بندی ویژه، شخصیت یا عبارت قابل‌تشخیص می‌تواند بحث را پیچیده‌تر کند. وقتی خروجی به اثر معین نزدیک است، باید آن را با نمونهٔ منبع و شرایط استفاده مقایسه کرد، نه فقط با توصیف «در سبک فلان». برای کار تجاری، بررسی انسانی، مجوز و مشاورهٔ حقوقی متناسب با کشور هدف از حدس‌زدن بر پایهٔ یک اصطلاح بازاریابی مطمئن‌تر است.

وضعیت قوانین در ۲۰۲۶: چه چیزی قطعی است و چه چیزی هنوز در حال تغییر؟

در اتحادیهٔ اروپا، مقررات هوش مصنوعی برای ارائه‌دهندگان مدل‌های هوش مصنوعی همه‌منظوره (GPAI) از ۲ اوت ۲۰۲۵ تعهدهایی مقرر کرده است؛ از جمله داشتن سیاستی برای رعایت حق‌نشر اتحادیهٔ اروپا و تهیهٔ خلاصه‌ای عمومی از محتوای استفاده‌شده برای آموزش. این تعهد در سطح ارائه‌دهندهٔ مدل تعریف شده و معادل یک دکمهٔ جهانی برای حذف اثر هر هنرمند از تمام مدل‌ها نیست. اگر شما تولیدکنندهٔ محتوا هستید، باید به فرایندهای اعلام‌شدهٔ هر سرویس و قوانین کشور خود توجه کنید. اگر کسب‌وکار ارائه‌دهندهٔ مدل هستید، مستندسازی منشأ و سیاست رعایت حق‌نشر بخشی از مدیریت انطباق است.

در بریتانیا، گزارش دولت در ۱۸ مارس ۲۰۲۶ گزینه‌های متفاوت را بررسی کرد: حفظ وضعیت فعلی، الزام مجوز در همهٔ موارد، استثنای گستردهٔ داده‌کاوی متنی و داده‌ای، و استثنایی همراه با امکان انصراف و شفافیت. انتشار گزارش به‌تنهایی تصویب قانون جدید نیست. ارزیابی اثر دولت نیز می‌گوید برای انتخاب مسیر اصلاح باید شواهد بیشتری بررسی شود و بازار مجوزدهی هنوز در حال شکل‌گیری است. گزارش دربارهٔ دسترسی داده، شفافیت، ابزارهای فنی، مجوز، اجرای حق، آثار تولیدشده و بدل دیجیتال بحث می‌کند؛ اما نباید گزینهٔ پیشنهادی یک ذی‌نفع را با حکم نافذ اشتباه گرفت.

در آمریکا، دفتر حق‌نشر دربارهٔ آثار مولد هوش مصنوعی چند بخش از مطالعهٔ خود را منتشر کرده است: بدل دیجیتال، قابلیت حمایت از خروجی‌های مولد و آموزش مدل‌های مولد. صفحهٔ رسمی مطالعه، پیش‌انتشار بخش سوم را در ۹ مه ۲۰۲۵ فهرست می‌کند و به‌تنهایی حکم دادگاه یا قانون تازه نیست. پرونده‌های قضایی، قوانین ایالتی، قراردادها و قواعد فدرال نیز می‌توانند در شرایط مشخص نقش داشته باشند. پس جمله‌هایی مانند «آمریکا آموزش مدل را قانونی اعلام کرد» یا «هر مدل مولدی در آمریکا غیرقانونی است» از این منابع نتیجه نمی‌شود. در مقالهٔ خبری یا قراردادی، تاریخ سند، نوع سند و حوزهٔ صلاحیت را کنار ادعا بنویسید.

برای سازندگان فارسی‌زبان، یک پیچیدگی اضافه وجود دارد: محل زندگی، محل انتشار، محل سرور، بازار فروش، ناشر، مشتری و قرارداد ممکن است در کشورهایی متفاوت باشند. محتوای فارسی هم می‌تواند روی وب‌سایت خارجی، شبکهٔ اجتماعی یا مخزن عمومی قرار بگیرد و با سیاست‌های مختلف روبه‌رو شود. در عمل، ابتدا مشخص کنید چه حقی دارید و کجا می‌خواهید آن را اعمال کنید؛ سپس مسیر شکایت یا درخواست را در همان سرویس و کشور پیدا کنید. اگر قرار است برای مشتری بین‌المللی اثر تولید کنید، بندهای مربوط به مالکیت فایل منبع، اجازهٔ استفاده از ابزار مولد و مسئولیت بررسی حقوقی را پیش از تحویل بخوانید.

حوزه وضعیت قابل اتکا در ۲۰۲۶ برداشت عملی
اتحادیهٔ اروپا تعهد سیاست حق‌نشر و خلاصهٔ آموزش برای ارائه‌دهندگان GPAI از اوت ۲۰۲۵ مستندات ارائه‌دهنده را بررسی کنید؛ آن را حق انصراف جامع فردی فرض نکنید.
بریتانیا گزارش دولتی مارس ۲۰۲۶ گزینه‌ها را سنجیده؛ گزارش به‌تنهایی قانون جدید نیست. تاریخ و وضعیت هر پیشنهاد را صریح بنویسید.
ایالات متحده مطالعهٔ دفتر حق‌نشر، از جمله بخش آموزش مولد، یک حکم قضایی واحد نیست. پرونده و نوع استفادهٔ مشخص را جداگانه بررسی کنید.
سایر کشورها قواعد محلی دربارهٔ حق‌نشر، استثناها، قرارداد و حریم خصوصی متفاوت‌اند. راهنمای یک کشور را نسخهٔ جهانی ندانید.

چه کسی در زنجیرهٔ داده مسئول چه کاری است؟

زنجیرهٔ آموزش معمولاً چند بازیگر دارد: صاحب یا ناشر اثر، میزبان وب، گردآورندهٔ داده، پیمانکار پاک‌سازی، توسعه‌دهندهٔ مدل، ارائه‌دهندهٔ محصول و کاربر نهایی. یک قرارداد دسترسی که به میزبان اجازهٔ نمایش عمومی می‌دهد، لزوماً حق بازفروش یا آموزش هر مدل را منتقل نمی‌کند. از سوی دیگر، یک ناشر ممکن است حقوق خاصی را واگذار کرده باشد و دیگر نتواند دربارهٔ همان حق به‌تنهایی تصمیم بگیرد. برای تحلیل، جدول حقوق را بسازید: مالک اثر کیست، مالک فایل چه کسی است، حق انتشار کجا واگذار شده، اجازهٔ پردازش ماشینی شامل چه چیزی است و چه محدودیت زمانی یا جغرافیایی وجود دارد.

اگر نویسنده‌ای برای ناشر کار می‌کند، قرارداد انتشار ممکن است حق تکثیر، آرشیو دیجیتال، ترجمه یا استخراج داده را پوشش دهد یا ندهد. اگر تصویرگر سفارش پروژه‌ای گرفته است، پرداخت هزینهٔ پروژه همیشه به‌معنی انتقال همهٔ حقوق نیست؛ متن قرارداد تعیین می‌کند حق استفاده در چه رسانه، زمان، قلمرو و هدفی واگذار شده است. شرکت‌ها باید این موضوع را در قرارداد خرید عکس، دادهٔ آموزشی، نرم‌افزار، فونت و محتوای کاربر روشن کنند. عبارت کلی «برای تمام مقاصد» را بدون دانستن تعریف و اثر حقوقی آن نپذیرید. از مشاور بخواهید اصطلاح‌ها را به مثال‌های روزمره و خروجی‌های مشخص تبدیل کند.

ارائه‌دهندهٔ مدل نیز باید به توانایی‌ها و ادعاهایش دقت کند. آیا سرویس منبع داده‌ها را به‌صورت عمومی خلاصه می‌کند؟ آیا به درخواست‌های حذف پاسخ می‌دهد؟ آیا برای محتواهای آپلودشده توسط مشتری از آن‌ها برای بهبود مدل استفاده می‌کند؟ نگهداری فایل‌ها چقدر طول می‌کشد؟ آیا ابزار سازمانی و مصرف‌کننده شرایط جدا دارند؟ پاسخ این پرسش‌ها همیشه در صفحهٔ بازاریابی نیست؛ سیاست حفظ حریم خصوصی، شرایط استفاده و مرکز راهنمای سرویس را با هم بررسی کنید. برای دادهٔ محرمانه، تنظیم «عدم آموزش» یا نسخهٔ قراردادی ممکن است مهم باشد، اما نباید صرفاً از روی نام پلن نتیجه‌گیری شود.

کاربر نهایی هم سهم خود را دارد. پرامپتی که اثر مشخصی را با نام و جزئیات بازسازی می‌کند، ممکن است ریسک متفاوتی از درخواست یک تصویر عمومی داشته باشد. انتشار، فروش، تبلیغ و تحویل به مشتری نیز با آزمایش شخصی تفاوت دارد. کاربر باید بداند آیا می‌تواند خروجی را تجاری استفاده کند، آیا حقوق اشخاص تصویرشده رعایت شده، آیا نشان تجاری یا شخصیت عمومی در تصویر هست و آیا خروجی به محتوای موجود شباهت غیرعادی دارد. شرایط استفادهٔ سرویس یک لایه از بررسی است؛ آن را تضمین مالکیت انحصاری یا مصونیت از ادعا تلقی نکنید.

چگونه از اثر خود محافظت کنیم؛ برنامه‌ای واقع‌بینانه و مرحله‌به‌مرحله

مرحلهٔ اول، ساختن پروندهٔ اثر است. نسخهٔ اصلی فایل، تاریخ ایجاد، نسخه‌های میانی، رسید سفارش، ایمیل‌های تأیید، قرارداد و مشخصات انتشار را در جایی نگه دارید که تاریخ و پدیدآورنده قابل احراز باشد. برای تصویر، فایل لایه‌باز و خروجی‌ها را جدا کنید؛ برای متن، نسخهٔ اولیه و تاریخچهٔ ویرایش را نگه دارید؛ برای صدا، فایل خام و پروژهٔ میکس را آرشیو کنید. این کار به‌تنهایی مالکیت را در همهٔ کشورها ثابت نمی‌کند، اما به توضیح منشأ و توالی تولید کمک می‌کند. فایل را با شناسهٔ داخلی، نام‌گذاری منظم و پشتیبان رمزگذاری‌شده نگه دارید تا در زمان اختلاف به نسخهٔ درست برسید.

مرحلهٔ دوم، مشخص‌کردن سطح دسترسی است. محتوای عمومی برای نمونه‌کار، محتوای پولی، فایل خام و اطلاعات محرمانه را در یک پوشه یا صفحه مخلوط نکنید. اگر وب‌سایت دارید، دسترسی خزنده‌ها را با سیاست روشن مدیریت کنید و برای گروه‌های مختلف ربات، از تنظیمات قابل پشتیبانی میزبان استفاده کنید. پروتکل robots.txt می‌تواند به برخی خزنده‌های همکار درخواست دسترسی یا عدم دسترسی بدهد، اما سازوکار حق‌نشر یا قفل فنی تضمین‌شده نیست؛ ربات ناشناس، کپی‌کنندهٔ انسانی یا نسخهٔ بازنشرشده را متوقف نمی‌کند. دولت بریتانیا در ارزیابی ۲۰۲۶ همین محدودیت ابزارهایی مثل robots exclusion را مطرح می‌کند. این ابزار را در کنار قرارداد، نظارت و مسیر رسیدگی ببینید.

مرحلهٔ سوم، اضافه‌کردن فراداده و منشأ است. عنوان، نام پدیدآورنده، تاریخ، مجوز و مسیر تماس را در فرادادهٔ فایل یا صفحه قرار دهید؛ از شناسه‌های اثر و سامانه‌های منشأ دیجیتال پشتیبانی‌شده استفاده کنید و فایل منبع را نگه دارید. واترمارک دیداری ممکن است بازنشر ساده را دشوارتر کند، اما اغلب قابل برش یا پاک‌کردن است و نباید تنها مدرک شما باشد. نشان منشأ رمزنگاری‌شده نیز صرفاً می‌گوید چه کسی یا چه ابزاری اطلاعاتی را امضا کرده؛ خودش ثابت نمی‌کند که همهٔ ورودی‌ها مجاز بوده‌اند یا خروجی عاری از شباهت است. هر فناوری را با این سؤال بسنجید: چه ادعایی را اثبات می‌کند و چه چیزی را اثبات نمی‌کند؟

مرحلهٔ چهارم، پایش متناسب با ارزش اثر است. برای آثار پرفروش یا کمپین‌های مهم، جست‌وجوی تصویری معکوس، هشدار نام، بررسی فروشگاه‌ها و گزارش مخاطبان می‌تواند مفید باشد. برای آرشیو بزرگ، ابزار خودکار باید خطای مثبت را کنترل کند؛ شباهت رنگ یا موضوع، کپی‌برداری را ثابت نمی‌کند. یک نمونهٔ مشکوک را با تاریخ، نشانی صفحه، تصویر کامل، متن پیرامونی و تاریخ ثبت کنید. پیش از ارسال اخطار، بررسی کنید مجوزی از نماینده یا ناشر صادر نشده باشد و از ادعاهای قطعی دربارهٔ منشأ مدل که سند ندارند بپرهیزید. گزارش دقیق و محدود معمولاً از اتهام گسترده و بی‌مدرک اثرگذارتر است.

مرحلهٔ پنجم، مسیر اقدام را از کم‌هزینه به پرهزینه مرتب کنید. نخست با میزبان یا پلتفرم تماس بگیرید و اطلاعات مشخص شامل شناسهٔ اثر و نشانی را بدهید. سپس سازوکار اعتراض سرویس، درخواست حذف، مذاکره برای مجوز یا واسطهٔ صنفی را بررسی کنید. اگر خسارت مهم یا مهلت قانونی مطرح است، مدارک را پیش از اقدام عمومی با مشاور حقوقی حوزهٔ صلاحیت بررسی کنید. انتشار پست خشمگین ممکن است توجه جلب کند اما گاهی مذاکره را دشوار می‌سازد یا ناخواسته دادهٔ شخصی منتشر می‌کند. برای هر پرونده، هدف را روشن بنویسید: توقف استفاده، حذف نسخه، اصلاح انتساب، پرداخت مجوز یا دریافت توضیح.

نمودار تصمیم برای سازنده:

مالکیت یا اختیار روشن؟ بله ← شواهد و قرارداد را نگه دار؛ نامشخص ← زنجیرهٔ واگذاری را بررسی کن.
اثر عمومی است؟ بله ← سطح مجوز، خزنده و اطلاعات تماس را شفاف کن؛ خیر ← فایل منبع را محدود و دسترسی را ثبت کن.
خروجی مشکوک پیدا شده؟ بله ← نمونه، نشانی و تاریخ را ثبت کن؛ نه ← پایش دوره‌ای متناسب با ارزش اثر تعیین کن.

اگر شرکت شما از داده یا مدل مولد استفاده می‌کند، این چک‌لیست را اجرا کنید

برای ساخت محصول یا محتوا، فهرست منابع را در همان روز گردآوری ثبت کنید: نشانی، تاریخ دریافت، صاحب یا ارائه‌دهنده، نوع مجوز، قلمرو، مدت، اجازهٔ استخراج، امکان انتقال به پیمانکار و محدودیت‌های نگهداری. «روی اینترنت عمومی بود» یا «مدل خودش تولید کرد» فیلد مجوز نیست. اگر داده را از یک پیمانکار می‌گیرید، سند زنجیرهٔ حقوق را بخواهید و نمونهٔ تصادفی را ممیزی کنید. اگر مجموعه شامل محتوای کاربران است، رضایت، تنظیمات محرمانگی، مسیر حذف و جداشدن داده از آموزش را صریح بنویسید. ثبت‌نکردن منشأ امروز می‌تواند فردا تشخیص خطا، پاسخ به مشتری یا مذاکرهٔ مجوز را پرهزینه کند.

در ارزیابی خروجی، یک فرایند «بازبینی شباهت» طراحی کنید. خروجی‌های تجاری، لوگو، تصویر شخصیت، متن تبلیغاتی، موسیقی و محتوای کودک را با معیارهای مشخص و بازبین انسانی بسنجید. نمونه‌های حساس را با چند جست‌وجوی مستقل بررسی کنید و نتیجه را ثبت کنید. هیچ امتیاز خودکار شباهت به‌تنهایی نظر حقوقی نیست؛ آستانهٔ ابزار، زبان و نوع رسانه روی نتیجه اثر دارند. همچنین خروجی مدل ممکن است به‌دلیل ورودی کاربر، بازیابی از پایگاه شرکت یا حافظهٔ مدل شبیه شود. مسیر ورودی را بشناسید تا اقدام اصلاحی به مرحلهٔ درست وصل شود.

در قرارداد مشتری، دربارهٔ استفاده از هوش مصنوعی شفاف باشید. مشخص کنید کدام بخش با ابزار مولد ساخته یا ویرایش شده، آیا فایل ورودی متعلق به شماست، آیا مشتری اجازهٔ استفاده از دارایی‌هایش را داده، چه کسی نسخهٔ نهایی را بررسی می‌کند و حق استفادهٔ تجاری چه محدوده‌ای دارد. اگر سامانهٔ مدل می‌تواند محتوای ورودی را نگهداری یا برای آموزش استفاده کند، وضعیت را پیش از بارگذاری اسناد مشتری روشن کنید. یک پیوست کوتاه برای داده‌های حساس، مالکیت خروجی، تضمین‌های قابل ارائه و استثناهای آن بسازید. از وعده‌هایی مانند «این خروجی قطعاً صددرصد اختصاصی است» پرهیز کنید مگر قرارداد و فرایند فنی واقعاً چنین چیزی را پشتیبانی کند.

در مدیریت ریسک، احتمال را از شدت اثر جدا کنید. اگر خروجی برای پیش‌نویس داخلی است، کنترل‌های سبک ممکن است کافی باشد؛ اگر روی بسته‌بندی، کمپین جهانی، کتاب یا محصولی با عمر چندساله منتشر می‌شود، بازبینی عمیق‌تر ارزش هزینه دارد. ماتریسی با محور «میزان دیده‌شدن» و «شدت پیامد» بسازید. مالک محصول باید مشخص کند چه زمانی استفاده از نمونهٔ معین متوقف می‌شود، چه کسی مجاز به تأیید است و چه شواهدی برای ثبت نیاز است. بررسی پیش از انتشار معمولاً ارزان‌تر از تعویض تبلیغ، بازطراحی بسته‌بندی یا حل اختلاف پس از انتشار است.

محتوای تولیدشده با هوش مصنوعی را چه کسی می‌تواند صاحب شود؟

مالکیت خروجی با مسئلهٔ آموزش داده یکی نیست. ممکن است فردی برای تولید تصویر از مدل استفاده کند، اما میزان انتخاب، طراحی، ویرایش، ترکیب‌بندی و کنترل خلاقانهٔ انسان در سنجش حمایت حقوقی اهمیت داشته باشد. معیارهای قابل‌اعمال در کشورها متفاوت‌اند و در آمریکا دفتر حق‌نشر در ۲۰۲۵ دربارهٔ قابلیت حمایت از خروجی‌های مولد گزارش منتشر کرده است. از نام مدل نمی‌توان نتیجه گرفت که هر خروجی خودکار تحت انحصار کامل کاربر است یا هیچ سهم انسانی ندارد. فایل‌های پروژه، طرح‌های اولیه، انتخاب‌های متعدد، ماسک‌ها و ویرایش‌های انسانی را نگه دارید تا مشارکت خلاقانه قابل توضیح باشد.

برای تحویل حرفه‌ای، مراحل را ثبت کنید: نسخهٔ اولیهٔ ایده، پرامپت‌های مهم، تصاویر یا متن ورودی، مدل و نسخه، تغییرات انسانی و نسخهٔ نهایی. این اسناد برای بازتولید فرایند و کنترل کیفیت مفیدند؛ اما به‌تنهایی تضمین ثبت حق انحصاری یا اجازهٔ استفاده از ورودی نیستند. اگر از تصویر شخص واقعی، لوگو، فونت یا شخصیت شناخته‌شده استفاده کرده‌اید، مجوزهای مربوط به همان ورودی را جدا بررسی کنید. در نمونه‌کار عمومی توضیح دهید چه کاری را خودتان انجام داده‌اید و چه بخشی با ابزار کمک شده است، به‌خصوص وقتی مخاطب ممکن است دربارهٔ اصالت یا دست‌سازبودن کار تصمیم مالی بگیرد.

در موسیقی و صدا، تقلید از صدای فرد زنده علاوه بر حق‌نشر اثر ممکن است با حق تصویر، حریم خصوصی، حقوق شخصیتی، قرارداد و قوانین بدل دیجیتال تلاقی کند. اجازهٔ استفاده از یک قطعهٔ موسیقی لزوماً اجازهٔ تقلید صدای خواننده نیست؛ اجازهٔ انتشار یک ویدیو هم لزوماً حق آموزش مدل صدا را نمی‌دهد. برای پروژه‌های دوبله، بازی، تبلیغ یا کتاب صوتی، رضایت مشخص دربارهٔ مدت، رسانه، قلمرو، بازاستفادهٔ مدل و امکان لغو را مکتوب کنید. در صورت نبود مجوز روشن، از تقلید قابل‌شناسایی صدای فرد واقعی پرهیز کنید و صدای مصنوعی عمومی با قرارداد روشن انتخاب کنید.

پیشنهادهای مجوزدهی: از فروش فایل تا مجوز آموزش

اگر می‌خواهید به کسب‌وکارها اجازهٔ استفاده بدهید، یک بستهٔ مجوز شفاف می‌تواند بهتر از پاسخ موردی باشد. مجوز باید نوع محتوا، تعداد آثار، هدف استفاده، مدت، قلمرو، انحصاری یا غیرانحصاری بودن، نوع مدل یا سامانه، امکان بهبود نسخه‌های بعدی، نحوهٔ انتساب، گزارش‌دهی و هزینه را مشخص کند. برای آثار پرتعداد، می‌توان مجوز نمونه‌برداری یا استفادهٔ سازمانی با حداقل تضمین و گزارش دوره‌ای تعریف کرد. عبارت «استفاده در AI» مبهم است: آموزش از ابتدا، تنظیم دقیق، بازیابی هنگام پاسخ و نمایش نمونه در تبلیغ ممکن است اهداف متفاوتی داشته باشند. برای هر یک، محدوده را جدا بنویسید.

قیمت‌گذاری فقط بر اساس تعداد فایل نیست. ارزش تجاری، کمیابی، مخاطب، کیفیت فراداده، گسترهٔ استفاده، جایگزین‌های موجود و هزینهٔ پاک‌سازی مجموعه هم مهم‌اند. برای یک هنرمند مستقل، مذاکرهٔ مستقیم شاید به‌صرفه نباشد؛ تشکل حرفه‌ای، نمایندهٔ حقوقی یا سامانهٔ مدیریت مجوز می‌تواند هزینهٔ معامله را کاهش دهد. در مقابل، ثبت‌نام در یک پلتفرم ثالث را با واگذاری کامل مالکیت اشتباه نگیرید. ببینید آیا پلتفرم اجازهٔ فرعی می‌دهد، درآمد چگونه تقسیم می‌شود، چه گزارشی می‌گیرید، دادهٔ مجوز چگونه استفاده می‌شود و در صورت اختلاف چه مرجعی وجود دارد.

اگر نمی‌خواهید مجوز آموزش بدهید، متن سیاست محتوای خود را واضح و قابل‌ماشین‌خواندن کنید: چه چیزی مجاز است، کدام استفاده‌ها ممنوع است، چطور درخواست مجوز ثبت شود و به چه نشانی پاسخ داده می‌شود. نسخهٔ کوتاه برای صفحهٔ شرایط و نسخهٔ کامل برای قرارداد آماده کنید. دستورهای فنی مثل robots.txt ممکن است رفتار خزنده‌های همکار را تغییر دهند، ولی جای متن مجوز یا راهکار حقوقی را نمی‌گیرند. همچنین نسخه‌ای از سیاست را تاریخ‌گذاری کنید تا در آینده معلوم باشد هنگام دسترسی چه اعلامی وجود داشته است. سیاست را به زبان ساده بنویسید و از تناقض میان شرایط سایت و مجوزهای جداگانه جلوگیری کنید.

چه چیزی را دربارهٔ گزارش‌ها و ادعاهای رسانه‌ای باور نکنیم؟

گزارش یک دولت، مقالهٔ مشورتی، راهنمای یک سازمان صنعتی، شکایت قضایی، توافق محرمانه، رأی دادگاه و قانون تصویب‌شده اثر حقوقی یکسان ندارند. برای هر خبر، نام ناشر، تاریخ انتشار، نوع سند، وضعیت رسیدگی و حوزهٔ جغرافیایی را پیدا کنید. اگر تیتر می‌گوید «هوش مصنوعی قانوناً از همهٔ کتاب‌ها استفاده می‌کند»، متن منبع را بخوانید و بپرسید آیا گزارش پیشنهادی بوده یا نهایی، آیا دربارهٔ همهٔ انواع محتواست یا یک پروندهٔ خاص. تاریخ گردآوری داده هم مهم است؛ پیش‌نویس قدیمی ممکن است پس از اصلاح مقرره دیگر وضعیت جاری را توصیف نکند.

ادعای شرکت دربارهٔ مجموعهٔ داده هم سند قطعی نیست. پرسش‌هایی مثل «مدل با دادهٔ مجاز آموزش دیده» را به جزئیات تبدیل کنید: مجوز از چه کسی، شامل چه رسانه‌ای، برای کدام دوره، با چه محدودیت‌هایی، و آیا دادهٔ تنظیم دقیق یا ارزیابی نیز در همان دامنه است؟ اگر شرکت تنها خلاصه‌ای منتشر کرده، بنویسید «طبق اعلام شرکت» و مشخص کنید چه بخش‌هایی در دسترس عموم نیست. عدم شفافیت به‌معنی اثبات استفادهٔ غیرمجاز نیست؛ شفافیت بالا هم به‌تنهایی اثبات حقوقی تمام ورودی‌ها نیست. گزارش منصفانه باید مرز دانسته و نادانسته را نگه دارد.

در برابر وعده‌های «حذف کامل اثر از مدل» نیز محتاط باشید. پس‌پردازش، فهرست منع نمایش، حذف یک سند از مجموعهٔ آینده یا بازآموزی مدل راهکارهای فنی متفاوتی‌اند. مدل بزرگ ممکن است یک اثر را از یک مسیر خاص دیده باشد، نسخه‌های دیگری وجود داشته باشند یا اثر در دادهٔ تنظیم دیگری حاضر باشد. از سرویس بپرسید دقیقاً چه اقدام انجام شده و چه چیزی را نمی‌تواند تضمین کند. پاسخ کتبی را نگه دارید و اگر مسئله مهم است، بپرسید تأثیر بر نسخه‌های منتشرشده، نسخه‌های پشتیبان و ارائه‌دهندگان پایین‌دست چیست. قول دقیق و محدود از عبارت مبهم «دیگر استفاده نمی‌شود» مفیدتر است.

راهنمای اقدام برای چهار گروه مخاطب

اگر هنرمند یا عکاس هستید: فهرست آثار مهم، فایل‌های خام و قراردادها را مرتب کنید، سیاست هر پلتفرم را بخوانید و چند نمونهٔ اصلی را در جست‌وجوی معکوس پایش کنید. برای نمایش عمومی می‌توانید نسخهٔ کم‌وضوح یا واترمارک‌دار منتشر کنید، اما بدانید این کار مانع قطعی جمع‌آوری نیست. در سفارش‌های جدید، بند مجوز استفادهٔ ماشینی، انتساب، تبلیغات، آموزش مدل و بازفروش را جدا کنید. اگر می‌خواهید مجوز بدهید، نرخ و محدوده را روشن بنویسید؛ اگر نمی‌خواهید، مسیر تماس و درخواست استفاده را قابل پیدا کردن کنید. برای اقدام علیه یک نمونه، شواهد را پیش از تماس عمومی ذخیره کنید.

اگر نویسنده یا ناشر هستید: نسخه‌های عمومی و اشتراکی را تفکیک کنید، وضعیت آرشیوهای قدیمی و حق دیجیتال را در قراردادها مرور کنید و دربارهٔ مجوز استخراج متن تصمیم بگیرید. متن کامل کتاب را فقط برای «آزمایش» در سرویسی با سیاست مبهم بارگذاری نکنید. اگر ترجمه، چکیده یا پاسخ‌گویی مبتنی بر کتاب ارائه می‌کنید، مطمئن شوید چه بخش‌هایی از متن و چه مدت نگهداری می‌شوند. برای مجموعه‌های آموزشی، دادهٔ دارای مجوز را از نمونه‌های عمومی جدا کنید و فهرست را مستند نگه دارید. در گزارش‌ها نیز بین نقل کوتاه، خلاصهٔ تحلیلی و بازتولید بخش بزرگ اثر تفاوت بگذارید.

اگر کسب‌وکار یا تیم محصول هستید: مالک داده و مسئول بررسی را تعیین کنید، فهرست مدل‌ها و تنظیمات آموزش را به‌روز نگه دارید و نمونه‌های حساس را پیش از انتشار بازبینی کنید. تأییدیهٔ مشتری برای فایل‌هایی که او می‌فرستد دریافت کنید؛ برچسب‌گذاری داخلی «AI-generated» را به خطا و مسئولیت مرتبط کنید؛ فرایند اعتراض و حذف بسازید. فروشنده باید دربارهٔ محل ذخیره، استفاده برای بهبود مدل، مدت نگهداری و پیمانکاران فرعی پاسخ روشن بدهد. یک جدول ساده از داده، مدل، هدف، مجوز و بازبین انسانی می‌تواند هنگام ممیزی از صدها صفحه گفت‌وگوی پراکنده مفیدتر باشد.

اگر کاربر ابزار هوش مصنوعی هستید: قبل از واردکردن فایل مشتری یا محتوای دارای محدودیت، شرایط سرویس را بخوانید. اگر گزینهٔ عدم استفاده برای آموزش وجود دارد، روشن‌بودن آن را در حساب یا قرارداد تأیید کنید. برای محتوای تجاری، درخواست‌های پرخطر را با نام اثر یا شخص واقعی نسازید، خروجی را قبل از انتشار بررسی کنید و فایل‌های پروژه را نگه دارید. وقتی از خروجی در محصول یا تبلیغ استفاده می‌کنید، شرایط تجاری همان نسخهٔ سرویس را دوباره ببینید؛ سیاست پلن رایگان ممکن است با حساب سازمانی فرق کند. از ادعای مالکیت انحصاری یا تضمین نبود شباهت، بدون شواهد، در برابر مشتری پرهیز کنید.

پرسش‌های پرتکرار دربارهٔ حق نشر هوش مصنوعی

آیا همهٔ آموزش‌های هوش مصنوعی از آثار دارای حق‌نشر غیرقانونی‌اند؟

خیر؛ از منابع رسمی بررسی‌شده چنین قاعدهٔ جهانی‌ای نتیجه نمی‌شود. پاسخ به کشور، نوع اثر، نحوهٔ دسترسی، مجوز، استثناها و کاربرد بستگی دارد. گزارش دولت بریتانیا در ۲۰۲۶ چند گزینه را بررسی کرده و اعلام آن به‌تنهایی اصلاح قانون نیست. اتحادیهٔ اروپا تعهدهایی برای ارائه‌دهندگان مدل عمومی دارد، اما این امر جای بررسی پروندهٔ مشخص را نمی‌گیرد. اگر استفادهٔ تجاری یا اختلاف جدی مطرح است، متن قانون و قرارداد در حوزهٔ مربوط را با متخصص بررسی کنید.

آیا گذاشتن «استفاده برای آموزش AI ممنوع» روی سایت کافی است؟

این اعلام می‌تواند سیاست شما را روشن کند و در ارتباط قراردادی یا فنی کمک کند، اما به‌تنهایی همهٔ نسخه‌های اثر یا همهٔ خزنده‌ها را کنترل نمی‌کند. ربات‌ها ممکن است تبعیت نکنند؛ نسخهٔ بازنشرشده در سایت دیگری وجود داشته باشد؛ یا شرایط پلتفرم اولویت داشته باشد. متن سیاست را همراه اطلاعات تماس، تاریخ، مجوزهای جداگانه و کنترل‌های فنی متناسب استفاده کنید. ارزش حقوقی دقیق چنین اعلامی به قانون و نوع رابطه بستگی دارد.

آیا robots.txt جلوی آموزش مدل را می‌گیرد؟

robots.txt یک پروتکل درخواست دسترسی برای خزنده‌های سازگار است؛ ابزار قفل رمزنگاری‌شده یا ضمانت جلوگیری از کپی نیست. برخی پلتفرم‌ها برای دسته‌های خزنده تنظیمات اختصاصی دارند، اما رفتار و اثر آن‌ها میان سرویس‌ها متفاوت است. در ارزیابی اثر بریتانیا، محدودیت ابزارهای خروج خزنده و سامانه‌های مشابه نیز مطرح شده است. بنابراین آن را یکی از لایه‌های کنترل بدانید و برای آثار مهم، قرارداد، ثبت منشأ، پایش و مسیر پاسخ را هم در نظر بگیرید.

اگر مدل نام هنرمند را در پرامپت بپذیرد، خروجی حتماً نقض حق‌نشر است؟

صرف وجود نام در پرامپت به‌تنهایی برای پاسخ قطعی کافی نیست. باید نوع حق، اثر مورد نظر، شباهت خروجی، نحوهٔ استفاده، کشور و شرایط سرویس بررسی شود. بااین‌حال، تقلید تجاری قابل‌شناسایی از کار فرد واقعی می‌تواند نگرانی‌های اخلاقی، قراردادی یا حقوقی ایجاد کند. برای پروژهٔ پولی، بهتر است به‌جای دستور تقلید از اثر مشخص، ویژگی‌های عمومی و غیرانحصاری را توصیف و خروجی را انسانی بازبینی کنید؛ در صورت تردید از مجوز بگیرید.

آیا می‌توانم خروجی هوش مصنوعی را به نام خود ثبت یا بفروشم؟

فروش‌پذیری، اجازهٔ تجاری سرویس و امکان حمایت حقوقی انحصاری سه موضوع جدا هستند. شرایط سرویس را برای استفادهٔ تجاری بخوانید، ورودی‌ها را از نظر حقوقی بررسی کنید و سهم خلاقانهٔ انسانی را مستند کنید. قواعد حمایت از اثر و ثبت در کشورها متفاوت‌اند. خروجی‌ای که تقریباً یک اثر موجود را بازتولید می‌کند، ممکن است به‌خاطر شباهت یا ورودی مسئله‌دار شود حتی اگر سرویس اجازهٔ فروش خروجی را داده باشد. قبل از وعدهٔ انحصار به خریدار، دامنهٔ حقوق را روشن کنید.

اگر فکر کنم اثرم در مجموعهٔ آموزشی بوده، از کجا شروع کنم؟

ابتدا نمونهٔ اثر و مدارک مالکیت یا مجوز خود را منظم کنید. سپس صفحهٔ شفافیت و کانال تماس ارائه‌دهنده را پیدا کنید و پرسش مشخصی دربارهٔ منشأ، حذف، مجوز یا محدودکردن استفاده مطرح کنید. انتظار پاسخ یکسان یا امکان حذف فوری از همهٔ نسخه‌ها نداشته باشید. تاریخ درخواست، پاسخ و شناسهٔ پرونده را نگه دارید. اگر اثر بسیار ارزشمند است، خسارت واقعی رخ داده یا مهلت قانونی محتمل است، از مشاور حقوقی محلی کمک بگیرید.

آیا ارائه‌دهندگان مدل باید نام تک‌تک آثار آموزشی را منتشر کنند؟

تعهد شفافیت و شکل دقیق افشا به نظام حقوقی و نوع ارائه‌دهنده بستگی دارد. خلاصهٔ عمومی محتوا لزوماً فهرست قابل جست‌وجوی تک‌تک آثار یا مسیر حذف فردی نیست. مقررات اتحادیهٔ اروپا برای ارائه‌دهندگان GPAI خلاصه‌ای عمومی از محتوای آموزش را می‌طلبد؛ متن، قالب و اجرای این تعهد را از منبع رسمی جاری بررسی کنید. اگر شما به فهرست مشخصی نیاز دارید، در قرارداد یا مسیر پاسخ‌گویی سرویس بپرسید چه سطحی از اطلاعات قابل ارائه است.

آیا واترمارک یا ثبت در سامانهٔ منشأ، اثر را از آموزش مصون می‌کند؟

خیر، این ابزارها بیشتر به انتساب، رهگیری یا بازدارندگی کمک می‌کنند و مانع فنی کامل نیستند. واترمارک ممکن است حذف شود و فراداده در بازنشر از بین برود. سامانهٔ منشأ می‌تواند اطلاعاتی دربارهٔ زنجیرهٔ فایل نگه دارد، ولی خودبه‌خود مجوز را ایجاد یا نقض را اثبات نمی‌کند. نسخهٔ خام، قرارداد، رسید و تاریخچهٔ تولید را هم حفظ کنید و ترکیبی از تدابیر متناسب با ارزش اثر انتخاب کنید.

واژه‌نامهٔ کوتاه برای گفت‌وگوی دقیق‌تر

واژه‌های فنی را به‌جای حکم حقوقی به کار نبرید. این فهرست کمک می‌کند هنگام مذاکره یا خواندن سیاست سرویس، منظور هر مرحله را از هم جدا کنید:

  • آموزش مدل: فرایندی که طی آن پارامترهای مدل با داده تغییر می‌کنند تا الگوهای پیش‌بینی را بیاموزد.
  • تنظیم دقیق: آموزش تکمیلی روی دادهٔ محدودتر برای رفتار یا حوزه‌ای مشخص.
  • استنتاج: تولید پاسخ مدل پس از دریافت پرامپت، بدون آموزش پایهٔ دوباره.
  • دادهٔ آموزشی: نمونه‌هایی که برای یادگیری، ارزیابی یا تنظیم سامانه استفاده می‌شوند.
  • فراداده: اطلاعات توصیفی مانند نام پدیدآورنده، تاریخ، شناسه و مجوز فایل.
  • مجموعهٔ داده: گردآوری سازمان‌یافته‌ای از نمونه‌ها برای پردازش یا آموزش.
  • خزنده: برنامه‌ای که صفحه‌های وب را برای نمایه‌سازی یا جمع‌آوری می‌خواند.
  • مجوز: اجازه‌ای با دامنه، مدت، هدف و شرایط تعریف‌شده برای استفاده از اثر.
  • حق‌نشر: مجموعه‌ای از حقوق قانونی مربوط به بیان تثبیت‌شدهٔ اثر، طبق قانون مربوط.
  • استثنای قانونی: وضعیتی که قانون برای نوعی استفاده، اجازه یا محدودیت مشخص می‌کند.
  • خروجی مولد: متن، تصویر، صدا یا داده‌ای که مدل پس از درخواست تولید می‌کند.
  • شباهت قابل‌توجه: ارزیابی وابسته به اثر و قانون که نباید با امتیاز ماشینی یکی فرض شود.
  • بازیابی: یافتن محتوای مرتبط از یک پایگاه و افزودن آن به زمینهٔ پاسخ مدل.
  • مخزن عمومی: منبعی که دسترسی عمومی به فایل‌ها یا داده‌ها فراهم می‌کند؛ عمومی بودن همیشه مجوز آموزش نیست.
  • سیاست خزنده: دستور فنی یا متنی دربارهٔ دسترسی ربات‌ها به صفحه‌ها.
  • حق بدل دیجیتال: قواعد مرتبط با بازنمایی دیجیتالی هویت یا ویژگی‌های فرد، طبق قانون حوزه.
  • منشأ محتوا: سابقهٔ ایجاد، ویرایش یا انتقال فایل و اطلاعات مرتبط با آن.
  • واترمارک: نشانهٔ دیداری یا فنی که می‌تواند انتساب یا رهگیری را آسان‌تر کند.
  • محتوای مرجع: نمونه‌ای که خروجی با آن مقایسه می‌شود؛ انتخاب نمونه روی نتیجه اثر دارد.
  • انطباق: فرایند هماهنگ‌کردن محصول، داده و سازمان با الزام‌های قابل‌اعمال.
  • ارائه‌دهندهٔ GPAI: شرکت یا نهادی که مدل هوش مصنوعی همه‌منظوره را عرضه می‌کند.
  • رویکرد opt-out: سازوکاری برای اعلام عدم تمایل به نوعی استفاده، با اثر وابسته به قانون و سامانه.
  • داده‌کاوی متنی: تحلیل ماشینی متن و داده برای کشف الگو یا اطلاعات.
  • حقوق فرعی: حقوق یا مجوزهایی که طرف قرارداد می‌تواند به شخص یا شرکت دیگری منتقل کند.
  • مجوز غیرانحصاری: اجازه‌ای که معمولاً مانع صدور مجوزهای مشابه برای دیگران نمی‌شود.
  • حقوق انحصاری: حق استفادهٔ محدودشده به دارنده یا طرفی که حق را گرفته، طبق قرارداد یا قانون.
  • تغییر پارامتر: به‌روزرسانی عددهای درونی مدل در جریان آموزش یا تنظیم دقیق.
  • فراموش‌سازی مدل: تلاش فنی برای کاهش اثر یک داده در مدل؛ نتیجه و تضمین آن وابسته به روش است.
  • شفافیت داده: اطلاعاتی که دربارهٔ منبع و نوع دادهٔ آموزشی در اختیار مخاطب قرار می‌گیرد.
  • دسترسی عمومی: امکان دیدن یا دریافت فایل؛ به‌تنهایی انتقال حق استفادهٔ تجاری نیست.
  • رضایت آگاهانه: اجازه‌ای که با اطلاع از هدف، دامنه و پیامدهای استفاده داده می‌شود.
  • انتساب: معرفی نام صاحب یا پدیدآورنده طبق مجوز یا عرف مربوط.
  • اثر مشتق: اثری که بر پایهٔ اثری دیگر ساخته شده و قواعد آن در هر نظام حقوقی متفاوت است.
  • بازنشر: انتشار دوبارهٔ اثر در رسانه یا صفحهٔ دیگری.
  • دادهٔ شخصی: اطلاعات مرتبط با شخص شناسایی‌شده یا قابل‌شناسایی در چارچوب قانون مربوط.
  • ارزیابی حقوقی: تحلیل موردی قانون، قرارداد، شواهد و شرایط استفاده توسط متخصص.
  • محدودهٔ مجوز: مرز استفاده از نظر هدف، رسانه، زمان، قلمرو و طرف‌های مجاز.
  • ثبت شواهد: نگهداری منظم فایل، تاریخ، نشانی و مکاتبه برای بررسی آینده.
  • مدل پایه: مدل عمومی که پیش از سازگارشدن با کار خاص آموزش دیده است.
  • پیمانکار فرعی: شخص یا شرکتی که فروشنده بخشی از پردازش را به او می‌سپارد.
  • نسخهٔ پشتیبان: کپی نگهداری‌شده برای بازیابی که سیاست حذف آن می‌تواند با نسخهٔ اصلی متفاوت باشد.
  • درخواست حذف: تقاضای رسمی برای برداشتن فایل یا محدودکردن استفاده از آن.
  • دادهٔ عمومی وب: محتوایی که از صفحه‌های در دسترس گردآوری شده؛ وضعیت مجوز هر منبع باید جدا بررسی شود.
  • حقوق شخصیت: قواعدی دربارهٔ نام، تصویر یا ویژگی‌های هویتی شخص که در کشورها متفاوت است.
  • اعلان استفاده از AI: توضیح دربارهٔ نقش ابزار مولد در ساخت یا ویرایش محتوا.
  • مدیریت حق: ثبت، مجوزدهی، پایش و پاسخ به استفاده از دارایی خلاق.
  • نقض ادعایی: ادعایی که هنوز بررسی یا اثبات نهایی نشده است.
  • رأی نهایی: تصمیمی که از مسیر قانونی مربوط عبور کرده؛ گزارش یا شکایت به‌تنهایی رأی نیست.
  • قرارداد داده: توافق دربارهٔ دسترسی، استفاده، امنیت، نگهداری و حذف داده.
  • کنترل انسانی: بازبینی و تصمیم‌گیری فرد مسئول دربارهٔ خروجی یا فرایند.
  • منبع اولیه: قانون، گزارش رسمی، سند یا اعلام مستقیم مرجع مسئول.
  • بیان مشخص: شکل ملموس اثر که باید از ایدهٔ کلی جدا تحلیل شود.
  • قلمرو جغرافیایی: کشور یا بازاری که مجوز یا قرارداد در آن اعمال می‌شود.
  • انقضای مجوز: پایان دوره یا شرایطی که اجازهٔ استفاده را متوقف می‌کند.
  • ممیزی نمونه‌ای: بررسی بخشی از داده‌ها برای سنجش کیفیت و انطباق مجموعه.
  • تاریخچهٔ نسخه: مسیر تغییرات یک فایل از پیش‌نویس تا نسخهٔ منتشرشده.
  • محدودسازی هدف: اجازه‌دادن به استفاده برای هدف مشخص و منع هدف‌های دیگر.
  • شفافیت قرارداد: بیان قابل‌فهم تعهدها و محدودیت‌ها برای همهٔ طرف‌ها.
  • دادهٔ حساس: داده‌ای که انتشار یا افشایش پیامد مهم شخصی، مالی یا امنیتی دارد.
  • توافق مجوز: قرارداد تعیین‌کنندهٔ استفادهٔ مجاز از اثر یا داده.
  • بازبین حقوقی: فرد متخصصی که ریسک و مسیر اقدام را بر اساس حوزهٔ صلاحیت ارزیابی می‌کند.
  • سرویس مصرف‌کننده: محصولی که برای استفادهٔ فردی عرضه می‌شود و ممکن است شرایط متفاوت سازمانی داشته باشد.

جمع‌بندی: از ترس یا اطمینان کاذب به تصمیم مستند برسید

بحث حق نشر هوش مصنوعی در ۲۰۲۶ هنوز در حال تحول است، اما این تغییرپذیری به‌معنی بی‌عملی نیست. سازندگان می‌توانند اثر و تاریخچهٔ آن را ثبت کنند، سیاست دسترسی و مجوز را شفاف سازند، ابزارهای فنی را به‌عنوان یک لایهٔ محدود بشناسند و نمونه‌های مشکوک را با مدرک پیگیری کنند. شرکت‌ها می‌توانند زنجیرهٔ تأمین داده را ثبت کنند، شرایط ارائه‌دهنده را بررسی کنند، خروجی‌های پرریسک را بازبینی کنند و به مشتری دربارهٔ سهم هوش مصنوعی صادق باشند. خوانندگان هم می‌توانند پیش از نتیجه‌گیری، نوع سند و تاریخ آن را بررسی کنند.

مهم‌ترین نکته این است که گزارش رسمی، سیاست پلتفرم، مجوز قراردادی و قانون نافذ را در یک کلمهٔ «قانون» جمع نکنید. یک فناوری می‌تواند روش جمع‌آوری را محدود کند، ولی جای قرارداد را نگیرد؛ یک قرارداد می‌تواند اجازهٔ مشخص بدهد، اما همهٔ حقوق اشخاص ثالث را حل نکند؛ و یک خروجی جدید می‌تواند هنوز به ورودی مسئله‌دار وابسته باشد. با ثبت شواهد، دامنهٔ روشن و بازبینی متناسب، تصمیم شما از واکنش هیجانی دقیق‌تر و قابل دفاع‌تر می‌شود.

برای بررسی تاریخ روز، این منابع اولیه را بخوانید: گزارش دولت بریتانیا دربارهٔ حق‌نشر و هوش مصنوعی، مارس ۲۰۲۶، ارزیابی اثر گزینه‌های اصلاح در بریتانیا، مطالعهٔ دفتر حق‌نشر آمریکا دربارهٔ هوش مصنوعی و تعهدهای ارائه‌دهندگان مدل عمومی در اتحادیهٔ اروپا. این مطلب آموزشی و مبتنی بر منابع رسمی در دسترس تا ۱۹ نوامبر ۲۰۲۶ است و مشاورهٔ حقوقی برای پروندهٔ مشخص محسوب نمی‌شود.

از ابزار درست استفاده کنید؛ خروجی را خودتان بررسی کنید

برای مطالعه، ایده‌پردازی و کار روزانه با دستیارهای هوش مصنوعی، قبل از بارگذاری اثر یا سند حساس، سیاست داده و شرایط همان سرویس را بخوانید. پس از تولید هم خروجی را از نظر شباهت، منبع و مجوز مرور کنید.

مشاهدهٔ محصول Gemini Plusمشاهدهٔ محصول ChatGPT Plus

پیش از خرید، سازگاری سرویس با نیازتان و شرایط استفاده را بررسی کنید.

توضیح روش: در این مقاله، گزارش‌های رسمی دولت بریتانیا، دفتر حق‌نشر آمریکا و کمیسیون اروپا به‌عنوان منابع اولیه استفاده شده‌اند. دربارهٔ آثار حقوقی فرامرزی، از تعمیم قواعد یک حوزه به حوزهٔ دیگر پرهیز شده است.

English reference glossary for copyright and AI training

These concise definitions help teams map English contract and policy language to the practical concepts explained in Persian above. They are descriptive terms, not legal conclusions.

  • Copyright: legal control over original creative expression.
  • Copyright owner: person or organization holding rights.
  • Copyright license: permission with defined terms and limits.
  • Training data: examples used to adjust model parameters.
  • Training corpus: organized collection used for machine learning.
  • Data provenance: documented origin and history of data.
  • Web crawler: automated program that reads public pages.
  • Robots protocol: standard crawler access preference instructions.
  • Opt out: request to exclude content from processing.
  • Text mining: automated analysis of written material.
  • Data mining: computational discovery of useful patterns.
  • Generative model: system producing new text images or audio.
  • Foundation model: general model adapted for downstream tasks.
  • General purpose AI: model designed for many different tasks.
  • Model provider: organization making a model available.
  • Model developer: team building and training the model.
  • Fine tuning: additional training for a narrower task.
  • Inference: model response generated from supplied input.
  • Prompt: instruction or context submitted to a model.
  • Output similarity: resemblance between generated and existing work.
  • Substantial similarity: legal analysis of meaningful expression overlap.
  • Style imitation: reproduction of broad artistic characteristics.
  • Protected expression: specific creative choices embodied in a work.
  • Public domain: material not controlled by copyright restrictions.
  • Fair use: case specific United States copyright doctrine.
  • Text data exception: statutory allowance for specified analytical uses.
  • License scope: boundaries defining permitted activity.
  • License duration: time period covered by an agreement.
  • Territorial scope: countries or markets covered by permission.
  • Exclusive license: permission restricting similar grants to others.
  • Nonexclusive license: permission that may coexist with other grants.
  • Sublicense: permission passed onward to another organization.
  • Royalty rate: payment amount linked to licensed use.
  • Rights holder: person or entity controlling relevant rights.
  • Rights clearance: process of obtaining necessary permissions.
  • Digital replica: synthetic representation of a person’s identity.
  • Voice likeness: recognizable resemblance to a person’s voice.
  • Personality rights: rules protecting identity and personal attributes.
  • Privacy notice: explanation of personal information processing.
  • Data retention: period information remains stored by a service.
  • Training setting: account option controlling data improvement.
  • Enterprise terms: contract provisions for organizational customers.
  • User content: material supplied by people using a service.
  • Third party material: content owned or controlled by others.
  • Source record: evidence showing where a file originated.
  • Creation history: timeline of drafts edits and final versions.
  • File metadata: descriptive information embedded in digital files.
  • Content credential: signed information about media origin.
  • Digital watermark: embedded signal used to identify media.
  • Visual watermark: visible mark identifying an image creator.
  • Reverse image search: tool for finding visually similar pictures.
  • Hash value: digital fingerprint used to compare files.
  • Similarity score: automated estimate of resemblance between examples.
  • False positive: alert incorrectly identifying a rights violation.
  • Human review: person checking a system’s automated assessment.
  • Compliance program: controls for meeting applicable legal requirements.
  • Risk assessment: structured review of probability and impact.
  • Risk register: record of risks owners and controls.
  • Source audit: sampling review of data origins and permissions.
  • Data inventory: organized record of datasets and their uses.
  • Dataset documentation: description of collection contents and limitations.
  • Synthetic content: media generated partly or wholly by software.
  • Human authorship: creative contribution made by a person.
  • Creative control: meaningful choices guiding the final work.
  • Derivative work: creation based on an earlier protected work.
  • Reproduction right: right concerning copying of protected expression.
  • Distribution right: right concerning public circulation of copies.
  • Attribution: credit identifying a creator or source.
  • Moral rights: personal interests linked to authorship and integrity.
  • Commercial use: activity intended to support business or revenue.
  • Transformative purpose: new purpose or meaning asserted for reuse.
  • Market harm: economic effect on the original work market.
  • Dataset acquisition: process for obtaining examples for development.
  • Scraping: automated extraction from online pages or databases.
  • Permission record: document showing a grant or consent.
  • Evidence preservation: keeping reliable records for a future dispute.
  • Takedown request: formal request asking a platform to remove material.
  • Dispute process: steps for handling a complaint or rights concern.
  • Terms of service: contract rules governing product use.
  • Privacy policy: notice describing data collection and handling.
  • Vendor assessment: review of a supplier’s controls and commitments.
  • Subprocessor: outside provider processing information for a vendor.
  • Data controller: party deciding why personal information is used.
  • Data processor: party handling personal information for another.
  • Trade secret: valuable confidential information protected by secrecy.
  • Confidential file: material restricted to approved people or systems.
  • Public website: online page viewable without special access.
  • Access control: technical rules limiting who can retrieve content.
  • Content policy: rules explaining permitted content and uses.
  • Transparency summary: public overview of model training material.
  • Technical documentation: records describing system design and capabilities.
  • AI Act: European Union regulation governing artificial intelligence.
  • Copyright Office: United States agency studying copyright policy.
  • Impact assessment: analysis of effects from potential policy options.
  • Consultation report: document summarizing evidence and policy choices.
  • Enacted law: rule formally adopted through the required process.
  • Draft proposal: suggested legal text not yet finally adopted.
  • Court decision: ruling issued by a competent judicial body.
  • Jurisdiction: legal territory whose rules may apply.
  • Choice of law: contract term identifying governing legal rules.
  • Cross border use: processing or publication spanning multiple countries.
  • Creator economy: market where individuals earn from creative works.
  • Collective licensing: group based permission for many rightsholders.
  • Collective management: organization administering rights for members.
  • Usage reporting: records showing how licensed material was used.
  • Training exclusion: restriction against using specified material for learning.
  • Model unlearning: technical effort to reduce influence of selected data.
  • Machine unlearning: research on removing learned information from systems.
  • Retrieval system: software locating relevant documents for a response.
  • Search indexing: process of organizing pages for later discovery.
  • Content fingerprint: signature used to recognize matching media.
  • Image matching: computer process comparing visual characteristics.
  • Audio matching: software process recognizing similar sound recordings.
  • Text matching: comparison of phrases against reference materials.
  • Copyright notice: statement identifying claimed rights and restrictions.
  • License request: formal inquiry seeking permission to use material.
  • Creator agreement: contract defining work delivery and usage rights.
  • Client approval: documented authorization from a commissioning customer.
  • Work for hire: legal category defined differently across jurisdictions.
  • Human modification: meaningful editing performed after model generation.
  • Disclosure statement: notice describing relevant AI assistance.
  • Model version: specific release of a deployed artificial intelligence system.
  • Training stage: particular phase in a model development process.
  • Evaluation data: examples used to measure model behavior.
  • Benchmark dataset: standard collection used for performance comparison.
  • Data minimization: collecting only information needed for a stated purpose.
  • Secure storage: protection of records against unauthorized access.
  • Deletion request: instruction asking a service to erase stored material.
  • Backup retention: continued storage of copies after primary deletion.
  • Audit trail: chronological record of actions and changes.
  • Legal counsel: qualified professional advising on a specific matter.
  • Evidence threshold: amount and quality of proof needed for a decision.
  • Rights strategy: planned approach to protection licensing and enforcement.
  • Permission boundary: clear limit on authorized data or content use.
  • Responsible AI: practices intended to reduce harm and improve accountability.
پرداخت اقساطی ترب‌پیهر قسط 54.750 تومان
هر قسط 54.750 تومان•خرید قسطی با ترب‌پی بدون کارمزد   

“تسلط به برنامه‌نویسی پایتون با هوش مصنوعی: آموزش کدنویسی هوشمند با ChatGPT”

قیمت اصلی 2.290.000 تومان بود.قیمت فعلی 219.000 تومان است.

آموزش برنامه‌نویسی پایتون با کمک ChatGPT؛ از مبانی کدنویسی و حل خطا تا ساخت پروژه‌های هوشمند.