AILP — پروتکل اجازهٔ یادگیری هوش مصنوعی

01 · تعریف

AILP طیف AIRS را برای پرسش خاص یادگیری عملیاتی می‌کند. این پروتکل کنش‌هایی را که قواعد دوگانهٔ خزنده در هم می‌آمیزد از هم تفکیک می‌کند: خوانده‌شدن به‌معنای مورد یادگیری قرارگرفتن نیست؛ بازیابی‌شدن به‌معنای مورد آموزش قرارگرفتن نیست؛ تنظیم‌دقیق با تقطیر یکی نیست؛ به‌خاطرسپاری عینی با درونی‌سازی آماری تفاوت دارد. AILP به یک ناشر امکان می‌دهد در یک فایل ماشین‌خوان، مجوزهای هر بُعد را — دسترسی، نمایه‌سازی، ورودی استنتاج، embedding، آموزش، تنظیم‌دقیق، تقطیر، حافظه، خروجی، ذکر منبع و جبران خسارت — هرکدام به‌صورت مجاز، ممنوع، یا نیازمند مجوز اعلام کند.

02 · هدف

• پاسخ به این پرسش که «آیا هوش مصنوعی می‌تواند از این بیاموزد؟» با دقتی در سطح ابعاد، به‌جای یک بیت ساده برای خزیدن.
• جداکردن اجازهٔ یادگیری (درونی‌سازی در مدل‌ها) از اجازهٔ دسترسی (واکشی صفحات).
• پشتیبانی از مدل‌های جبران خسارت: رایگان، غیرتجاری، نیازمند مجوز، تسهیم درآمد.
• اطمینان از اینکه گشودگی برای ماشین قابل‌اجراست — تا حسن‌نیت به‌عنوان عدم‌قطعیت حقوقی کنار گذاشته نشود.

03 · دامنه

04 · نمونهٔ ماشین‌خوان

یک اعلان اجازهٔ یادگیری — /ai/rights-spectrum.json (نمایهٔ AILP)

{
  "version": "0.1",
  "protocol": "AILP",
  "publisher": "example.org",
  "default": {
    "access": "allowed",
    "indexing": "allowed",
    "inference_input": "allowed",
    "embedding": "allowed",
    "training": "license_required",
    "fine_tuning": "license_required",
    "distillation": "denied",
    "verbatim_memory": "denied",
    "attribution": "required",
    "compensation": "contact"
  },
  "contact": "licensing@example.org"
}

05 · محدودیت‌ها

• معنای اجازهٔ یادگیری، از نظر فنی سخت‌ترین مورد برای راستی‌آزمایی است — AILP نیت را اعلام می‌کند، اما هنوز نمی‌تواند پایبندی را اثبات کند.
• فهرست ابعاد یک پیش‌نویس است؛ مرزهای میان آموزش، تنظیم‌دقیق و تقطیر همچنان محل بحث است.
• به‌رسمیت‌شناختن حقوقی اجازه‌های یادگیری، بسته به حوزهٔ قضایی متفاوت است و هنوز حل‌نشده باقی مانده.