Le chemin vers le « fair use » dans l’IA générative
Partie 1 sur 4
Il y a un an, en octobre 2025, je me suis mis en quête d’une réponse au « fair use » dans la modélisation du langage, et j’ai commencé par la citation fondée sur la récupération : une preuve de concept qui exécutait des recherches par similarité vectorielle sur une base de données et attribuait une part de redevance selon la mesure dans laquelle une sortie générée s’alignait sur le contexte fourni par le travail de chaque utilisateur. Elle a évolué vers des graphes de connaissances et est finalement devenue AII. C’était rudimentaire, mais cela fonctionnait assez bien pour prouver la viabilité, et assez pour me pousser plus loin, dans le modèle de langage lui-même et ses distributions de tokens réelles. La précision compte avant tout ici, puisque je voudrais poser un cadre de base que les tribunaux pourraient utiliser dans des affaires de droit d’auteur, des affaires qui exigent une honnêteté brutale dans la détection et les métriques.
Pour y parvenir, j’ai commencé à bâtir ce paradigme de modélisation du langage sur un vieux dicton à moi, « décentraliser l’intelligence centralise la croissance pour l’ensemble. » Je voulais résoudre en même temps un autre problème : celui des centres de données. Je travaille d’ordinaire dans une logique de « plusieurs oiseaux, une pierre », si bien que ce processus d’ingénierie m’est assez familier... surtout quand les oiseaux semblent sans rapport et que je repère précisément la bonne pierre... car certaines pierres/roches/minerais sont aussi pénibles à extraire. Je reviendrai sur cette solution complète dans la partie 4 de la série, Un protocole pour décentraliser l’inférence.
Le long de ce chemin, je suis arrivé sans le vouloir à une perspective remodelée sur tout le problème du fair use, des citations et de la distribution des redevances par token. Un modèle de langage a des poids, et ces poids sont comme une carte de quel token, ces « caractères d’un mot », doit être présenté comme prochaine option possible quand des mots sont donnés au modèle. Pour que cette conception décentralisée fonctionne, de nombreuses machines, les nôtres, hébergeraient chacune une « image » personnalisée qui nous revient de droit et qui est construite à partir de nos seules données, mais entraînée sur un modèle de base plus grand situé ailleurs. J’appelle ce modèle « les Communs », techniquement traité comme le modèle de fondation de Rao. Ses poids sont coupés en deux pour que la queue soit empilée sur les poids du modèle personnel d’un utilisateur afin de soutenir de meilleures prédictions, et dans cette procédure, quelque chose est né : une réponse à la manière dont l’entropie, cette idée de chaos mesuré au sein de la prédiction, peut servir à citer le token exact jusqu’à l’œuvre exacte dont il provient dans le modèle personnel d’un utilisateur, et à détecter si le modèle d’un utilisateur peut produire une telle séquence de texte en premier lieu. Dans ce processus, j’ai peut-être découvert par hasard un cadre de départ que la communauté peut réviser vers des idées de « fair use ».
Le langage est une chose très complexe à mesurer de manière adversariale. Savoir si une suite de mots vient réellement de J.D. Salinger, de Fitzgerald ou de Steinbeck... je parie que chaque livre contient une suite de 4 à 7 mots exactement identique. Comment savoir qui est à qui ? L’idée se comprend plus facilement par la complétion. La complétion est une forme d’inférence d’IA dans les grands modèles de langage (les services que vous voyez dans ChatGPT et Claude) où le modèle agit comme un outil de saisie semi-automatique : pendant que vous tapez, il prédit la suite. La saisie semi-automatique a été, en un sens, la racine de l’interface de chat question-réponse qui a changé le monde en novembre 2022. Supposons qu’un utilisateur écrive un livre, et que son contexte se construise passage après passage. Cette écriture produit-elle une sorte d’entropie énergétique que le modèle peut mesurer ? Et cette entropie peut-elle s’aligner sur l’« énergie¹ » que l’œuvre de Salinger produit sur ces mêmes 4 ou 5 mots, des mots que Steinbeck et Fitzgerald partagent, de sorte que Salinger soit choisi pour recevoir les redevances de la complétion prédite ?
La précision avec laquelle on cite l’emplacement d’un token, et d’où il vient, tient en partie à ma solution de base de données Thread, qui fait partie de l’Ambient Intelligence Index : un index qui collecte des données de façon privée sur des machines personnelles pour les applications d’IA d’un développeur et les prépare pour Braid, qui tresse des modèles à partir de leurs threads organisés, ce que je couvrirai dans la partie 4 de cette série.
À mesure qu’un utilisateur collecte des données, son nœud Thread entraîne automatiquement un modèle couplé à son index. C’est son propre modèle de langage privé, entraîné de la manière distribuée précise qui rend la provenance possible en premier lieu. La « queue » du modèle de fondation partagé, « les Communs », est attachée à la « tête » du Thread, qui démarre comme une copie de la tête des communs et est ajustée aux œuvres personnelles de l’utilisateur. Le delta³ signifie « ce qui a changé ici » entre les deux têtes à mesure que le Thread a appris à prédire l’écriture de l’utilisateur. Ce changement se voit dans l’entropie du Thread (H_lm⁴) sur les mots de l’utilisateur, ce qui permet à Braid de dire que les mots viennent du Thread de cet utilisateur. Après l’entraînement, personne ne calcule le delta pendant que le modèle écrit. Il apparaît de lui-même, dans le degré de certitude du Thread, et Braid le mesure à chaque mot, ce qui donne un comportement émergent de provenance.
Je dirais que la véritable lignée de tout cela a commencé par la mesure de la visée et de la trajectoire d’un nœud thread, et par la réponse à des questions économiques élémentaires sur le partage des redevances entre textes stockés. Cela ne se contente pas de choisir un thread à créditer ; cela répartit le token lui-même selon une distribution. Ainsi, dans l’exemple précédent de Salinger, Fitzgerald et Steinbeck, même si le thread de Salinger a gagné, il reste une chance que le calcul issu de la trajectoire, de la visée et de la trace distribue des parts partielles à Fitzgerald et à Steinbeck. Ils apportent tout de même, linguistiquement, un soutien à la prédiction, même si celui qui interroge s’aligne davantage sur Salinger. Il pourrait donc très bien s’agir d’un calcul de répartition 0.7, 0.2, 0.1 qui est ensuite distribué à chaque thread et consigné pour avoir fourni cette prédiction du token suivant. De mon point de vue, c’est une conclusion économique complète et sensée pour partager les revenus d’une œuvre écrite.
29 septembre 2026 : « Nous voulons déchiffrer cette trajectoire unique de la prose d’un écrivain sur son thread… de sorte que l’umbrella/reed soit capable de comprendre clairement la trajectoire de l’écriture de l’utilisateur et la capacité du prompt à trouver le thread le plus proche pour compléter avec une précision massive sur la trajectoire vers ce style d’écriture. Cela devient l’empreinte du thread. »
La recherche de cette empreinte revient à comprendre l’identité d’un écrivain à partir de lettres sur un écran. Cela peut sembler de l’huile de serpent... pourtant il y a peut-être bel et bien là quelque chose qui vaut la peine d’être creusé. L’économie est un autre oiseau apparemment sans rapport : la trajectoire empêche de truquer le système, et l’idée d’un « boost » permet de prioriser un nœud thread à mesure que son empreinte se rapproche, avec le temps, de celui qui interroge.
1er octobre 2026 : « c’est ici que le “modèle de visée”, l’“entropie”, le “traçage”, la “trajectoire” convergent vers l’idée de la façon dont on décide à quel thread, ayant le même fait, va le versement de redevances. »
C’est dans l’acte même de tracer, de tracer la trajectoire pour choisir quel thread booster, que j’ai mis au jour le vide que comble le delta. Ce vide m’a montré comment le traçage vérifie ce que H_knn⁵ affirme dans l’index de provenance comme devant être cité, pour les tokens mêmes que H_lm⁴ détecte comme étant ceux de l’utilisateur dans ce qui est sur le point d’être prédit : un comportement émergent du delta entre la tête des communs et celle du Thread, trouvé à l’entraînement.
Au bout du compte, trois problèmes devaient être résolus ensemble : une pensée décentralisée et distribuée ; des citations précises au token ; et des redevances qu’on ne peut pas truquer. Travailler sur chacun d’eux m’a mené ici. Il s’est avéré que c’étaient trois oiseaux, une pierre : le delta.
Le quatrième oiseau a été résolu au printemps de cette année : la récupération fondée sur la citation peut servir de voie ferrée des redevances pour les interactions de chatbot de questions-réponses en attendant. La citation au niveau du token gère la complétion et la récupération gère les questions-réponses, citant les sources derrière une génération à l’auteur plutôt qu’à un site web. Dans la partie 2, je testerai si cela doit rester ainsi, ou si la citation doit migrer dans la couche d’entraînement aux questions-réponses du modèle thread tressé lui-même, où les questions découlent de faits, le modèle répond directement sans récupération, et ces réponses sont citées avec une part de redevance. Le problème est que cela ne suit pas vraiment la philosophie centrale du cadre : la complétion, le traçage et la résistance au trucage économique. Les questions-réponses devraient être payées purement sur les faits, et si plusieurs threads possèdent les mêmes faits, il n’y a pas vraiment de raison de « booster » un thread plutôt qu’un autre, à moins qu’un thread n’offre des faits avec un schéma continu de confiance et de fiabilité dont on peut dériver un score de fiabilité. C’est le genre de réflexion qui suivra à mesure que j’avancerai dans la série vers l’identification de ce que « fair use » signifie dans cet espace.
La partie 2 fait l’ablation du modèle lui-même. Braid utilise actuellement Mamba plutôt que l’attention, il n’y a donc pas de cache KV. Cela le garde léger et prêt. La question que je testerai est de savoir si la scission tête et queue fait le travail à elle seule, ou si Mamba compte aussi. Je regarde également les performances, les plafonds de mémoire et la précision d’un petit modèle de fondation, et si un autre comportement émergent aide dans mes tâches quotidiennes tout en conservant la vie privée sur l’appareil et la personnalisation qu’offre ce système, autour desquelles les assistants d’entreprise hébergés ne sont pas conçus.
Si l’adoption de ce paradigme décolle, j’espère atteindre un terrain solide pour rédiger de véritables cadres de « fair use » versionnés. La partie 3 de cette série est celle où je publie une première ébauche, pour que la discussion puisse y commencer, aux côtés de gens du monde politique qui peuvent examiner et trier des plans tangibles et concrets de progrès pour toute l’industrie.
P.S.
J’ai pensé à cette chanson en écrivant ceci, et j’aimerais en faire le thème de cette partie de la série. Je suppose que la vie est courte, et qu’il vaut parfois mieux s’arrêter pour sentir les roses. C’est l’un de ces moments où cette citation revient.
Je crois, curieusement, que certaines des tensions autour du travail créatif de ces deux dernières années pourraient trouver une réponse le jour où le « fair use » en aura une : savoir que les humanités sont au moins prises en compte dans cette nouvelle ère. Ensuite, en tant que société, nous pourrons probablement partir de là.