Grazie per la risposta, Maurizio. Continuo qui sotto per entrare in alcuni dettagli che mi interessano particolarmente: On Thu, Jul 23, 2026 at 05:40:29PM +0200, Maurizio Borghi wrote:
la risposta non è semplice o univoca. Anthropic usava LibGen, Sci-Hub e Bibliotik, che (correggimi se sbaglio) sono notorie "shadow libraries".
(Confermo per LibGen e Sci-Hub, non conosco invece Bibliotik.)
Su Common Crawl non saprei, perché lì dentro c'è un po' di tutto: uno studio ha stimato che un 70% dei dataset presenti non specifica quale licenza si applichi.
Giusto --- o meglio, non conosco la percentuale, ma è certo che la stragrande maggioranza dei contenuti su Web (come del codice su GitHub, e contenuti di altra natura su piattaforme dedicate) non specifica una licenza. Ma questo non impedisce che io, utente di un Web browser, possa *accedere* legalmente a quel contenuto. Poi i default del diritto d'autore impediscono di fare altre cose, tipo copiare, modificare, redistribuire, esibire ad un pubblico, etc. --- ed è qui che entra in gioco il fair use che salva, almeno secondo questa sentenza, gli allenatori di LLM. Sbaglio qualcosa fin qui, strettamente dal punto di vista del diritto d'autore? (Vedi sotto per i vincoli contrattuali.)
Con il web scraping puoi incorrere in violazioni contrattuali se non rispetti i termini d'uso (che spesso vietano proprio lo scraping);
Il caso dei vincoli contrattuali è in effetti molto pertinente ed interessante. La sentenza prevede l'assenza di entrambi i tipi di violazioni (licenza ed eventuali contratti), o meno? L'avevo finora interpretata come una sentenza principalmente sul diritto d'autore, ma è possibilissimo che sia un errore da parte mia.
puoi inoltre violare di nuovo il copyright se rimuovi i metadati ("rights management information"), cosa piuttosto frequente tra gli addestratori di IA, e già motivo di altre cause legali.
Questo punto mi pare molto meno evidente. Il processo di allenamento contiene molti passi intermedi, non mi è chiaro come riuscire legalmente a definire dove ne inizi uno che è protetto dal fair use (e nel quale quindi, perdonami la semplificazione, si "può violare" il diritto d'autore) e dove invece no. Ma ho in mente anche io alcune delle cause aperte su questo punto, quindi spero lo scopriremo "presto". Grazie per la bella discussione e a presto. -- Stefano Zacchiroli - https://upsilon.cc/zack Full professor of Computer Science, Polytechnic Institute of Paris Co-founder & Chief scientific officer Software Heritage