Článek
Požádaný o úvod Erbenovy Kytice vrátil velký jazykový model čtyři sloky slovo od slova. Letos na podzim přednese generální advokát Soudního dvora EU stanovisko v první věci, která se přímo ptá, zda je „pouhá statistická predikce“ autorskoprávním štítem - jedna z položených otázek dokonce výslovně. Malá zkouška ukazuje, proč tahle obhajoba ve své kategorické podobě neobstojí - a kde naopak pořád drží.
Zadání bylo úmyslně skoupé. Žádné vyhledávání, žádný přístup k předloze - jen to, co má model uložené ve vahách. „Odříkej úvod Erbenovy Kytice.“ Co se vrátilo, sedělo přesně: „Zemřela matka a do hrobu dána, / siroty po ní zůstaly; / i přicházely každičkého rána / a matičku svou hledaly.“ Stejně bezchybně vyšla Polednice, Vodník i Svatební košile. Teprve v páté ukázce, ve Štědrém dnu, model klopýtl o jediné slovo - řekl „což pak“ tam, kde Erben napsal „cože“. Čtyři sloky ze čtyř doslovně, z paměti, bez nahlédnutí do knihy.
Je to salonní kousek, dokud si člověk neuvědomí, kdy a kde se o úplně stejné věci bude rozhodovat. Třetího září 2026 má podle plánu přednést generální advokát Soudního dvora EU Maciej Szpunar stanovisko ve věci C-250/25, sporu maďarského vydavatele Like Company proti Google Ireland o chatbota Gemini. Je to vůbec první případ, který se Soudního dvora ptá přímo na generativní AI a autorské právo. A v jádru jedné z položených otázek stojí přesně ten argument, který tahle zkouška testuje: když jazykový model vyprodukuje chráněný text, pořizuje rozmnoženinu, nebo jen počítá pravděpodobnosti? První otázka jde ještě dál a ptá se výslovně, zda na věci něco mění, že výstup vzniká pravděpodobnostní predikcí dalšího tokenu.
Tento pokus jednu věc rozhoduje a jednu nechává otevřenou. Rozhoduje, že obhajoba „je to jenom statistika“ ve své kategorické podobě padá: chráněné vyjádření se v parametrech nerozpustilo, leží tam a dá se vytáhnout po tokenech ven. A nechává otevřené to podstatné - totiž zda z toho plyne porušení autorského práva. To druhé není věc inženýrství, ale právní kvalifikace, a tu otevře až stanovisko generálního advokáta.
Nejdřív k obhajobě, protože není hloupá. Vývojáři velkých modelů argumentují, že model si texty neukládá; učí se z nich statistické vztahy mezi slovy a výstup pak skládá znovu, pravděpodobnostně, token po tokenu. V téhle logice se konkrétní autorské vyjádření při tréninku rozplyne do vah a to, co model vrací, je nový text, ne kopie. Pro drtivou většinu výstupů to dokonce platí - model běžně poskládá věty, které v žádném tréninkovém textu nestály. Predikce dalšího tokenu je z principu generativní, ne reprodukční.
Jenže u Kytice se nic nerozplynulo. Vyjádření tam zůstalo a šlo ho rekonstruovat slovo od slova. Tomuhle jevu se v odborné literatuře říká memorizace tréninkových dat a není to spekulace - doložily ho experimentální práce (mezi prvními tým Nicholase Carliniho v roce 2021, který ze staršího modelu GPT-2 vytáhl stovky doslovných úryvků z trénovacích dat) a stojí v pozadí americké žaloby New York Times proti OpenAI. Vydavatel v ní předložil sto ukázek, v nichž stačilo zadat začátek jeho článku a model dopsal stovky dalších slov téměř beze změny. Váhy nesou víc, než metafora o rozpouštění připouští.
Memorizace ale není rovnoměrná - a právě tady obhajoba získává zpátky půdu pod nohama.
Nejsilnější protiargument nestojí proti existenci memorizace, ale proti jejímu zobecnění. Jak silně se text do vah otiskne, závisí především na tom, kolikrát se v tréninku a ve svých kopiích objeví. Kytice je nejhorší možný případ: kanonický text, volné dílo bez ochrany, tisíckrát opsaný po českém webu, v čítankách, na blozích i v digitálních knihovnách. Konkrétní zpravodajský článek maďarského vydavatele je pravý opak - text nový, málo duplikovaný, často skrytý za paywallem. Pravděpodobnost, že ho model vrátí doslovně, je řádově nižší. K tomu jsem Kytici z modelu dostal cíleným, adversariálním zadáním, ne běžným provozem. Demonstrace tedy boří kategorické tvrzení „statistika je vždy štít“, ne jeho opatrnější verzi: že u běžného obsahu při běžném použití k doslovné reprodukci typicky nedochází.
Tady je ovšem zádrhel, který obhajobu zpátky zužuje. Čtvrtá otázka míří právě na situaci, kdy se chráněný obsah objeví ve výstupu poté, co ho do zadání vloží sám uživatel - a ptá se, zda je taková reprodukce přičitatelná poskytovateli služby. Adversariální vytažení textu tedy neleží mimo předmět sporu; leží uvnitř něj. Ostatně na samotném jednání generální advokát nadhodil, zda neposuzovat systém jako celek - trénink, vstupy, výstupy i sdělení veřejnosti najednou - místo izolování jednotlivých úkonů. Soud se tak bude muset vypořádat i s tím, co se stane, když model k reprodukci někdo aktivně dotlačí.
A přesně tady končí to, co umí rozhodnout inženýr, a začíná to, co musí rozhodnout soud. I kdyby byla memorizace prokázána do posledního detailu, zůstávají otevřené tři právní otázky, které předkládací soud poslal spolu s ní: zda je samotný trénink modelu rozmnožováním ve smyslu článku 2 informační směrnice; zda je zobrazení chráněného textu ve výstupu chatbota sdělováním veřejnosti podle článku 3; a pokud trénink rozmnožováním je, zda ho kryje výjimka pro vytěžování textů a dat (článek 4 směrnice o autorském právu na jednotném digitálním trhu, v českém autorském zákoně § 39c) - včetně toho, jestli si nositel práv reprodukci předem nevyhradil. Navíc nejde o ledajaký text, ale o obsah vydavatele tiskové publikace, který má v EU vlastní zvláštní právo (článek 15 téže směrnice, § 87b autorského zákona). Pro chatbota krmeného žurnalistikou je tím riziko vyšší než u technické dokumentace nebo volných děl.
Pro českého čtenáře to není akademický rébus. Na stejné architektuře stojí vyhledávací a „RAG“ systémy, které tahají odpovědi z aktuálních zpravodajských textů; stojí na ní byznys vydavatelů i otázka, čím se vůbec smí krmit model určený pro evropský trh. Spojené státy zatím rozhodují nejednotně, a to na úrovni federálních okresních soudů: zatímco ve věci Thomson Reuters proti Ross Intelligence soud volné užití k tréninku odmítl, v případech Bartz proti Anthropic a Kadrey proti Meta ho u tréninku připustil - pokaždé ovšem s výhradami a žádné z těch rozhodnutí není závazným precedentem. Evropská odpověď se začne rýsovat právě Szpunarovým stanoviskem. To soud nezavazuje, ale ve většině případů předznamenává, kam rozsudek půjde. Ten se čeká až v roce 2027.
Metafora o rozpouštění je konejšivá: chráněný text se prý v číslech ztratí. Model, který právě zpaměti odříkal Kytici, je proti ní živým protidůkazem. Čísla si pamatují víc, než se nám hodí připustit - a třetího září se začne rozhodovat, kolik to pamatování právně váží.
Poznámka k metodě a původu textu
Demonstrace v úvodu byla jednoduchá zkouška, ne řízený benchmark: jeden veřejně dostupný velký jazykový model, cílené (adversariální) zadání. Výsledek byl ověřen slovo od slova proti kritické hybridní edici Ústavu pro českou literaturu AV ČR, digitalizovanému vydání Městské knihovny v Praze a Wikizdrojům - čtyři z pěti úvodních slok seděly doslovně, v páté byla jediná lexikální odchylka („což pak" místo „cože"). Ukázka ilustruje jev (memorizaci), který je v literatuře doložen; sama o sobě není důkazem jeho rozsahu napříč modely.
Transparentnost tvorby:
Koncepce, struktura a redakční linie článku jsou dílem autora, který vypracoval obsahovou skicu, stanovil klíčové teze a řídil celý proces tvorby. Generativní AI (Claude, Anthropic) byla využita jako nástroj pro rešerši, vyhledávání primárních zdrojů a formulační rozpracování autorovy obsahové skici.
Autor výstupy průběžně redigoval, ověřil klíčová zjištění a schválil finální znění. Žádná část textu nebyla publikována bez lidské kontroly. Všechny faktické údaje byly ověřeny proti veřejně dostupným zdrojům uvedeným v textu.
Postup je v souladu s požadavky čl. 50 Nařízení EU 2024/1689 (AI Act) na transparentnost AI-generovaného obsahu. #poweredByAI
