因为没有按照乐动卓越公司的要求,删除用户在云服务器的内容并提供服务器租用人的具体信息,阿里云一审被判败诉。
近日,全国首例服务器提供商被诉侵权案一审宣判,云服务器提供商阿里云被判败诉,需赔偿原告26万元。阿里云已向北京知识产权法院提起上诉。
案情其实很简单。2015年10月10日,乐动卓越公司致函阿里云,称其拥有《我叫MT online》游戏的著作权,而有人租用阿里云服务器侵犯了其著作权。乐动卓越要求阿里云删除涉嫌侵权内容,并提供服务器租用人的具体信息。阿里云没有依照乐动卓越的要求删除服务器内容、提供用户信息,于是吃了官司。
阿里云是否构成侵权?云服务商的责任边界有多大?这些枯燥的法理论述与企业价值探讨似乎离我们很远。然而,随着云计算成为类似水、电似的基础服务,互联网成为现代人脱不开的“养料空气”,本案的意义也早就超越了法律和IT领域。它和每个公民息息相关。正因如此,我们从法理的角度谈谈,也从企业价值的角度聊聊。
诉讼中,乐动卓越认为阿里云不删除内容、不提供信息的行为构成了共同侵权。所以应该承担赔偿责任。
什么是“共同侵权”?一般认为,“共同侵权”是指两个或两个以上的行为人,基于共同的故意或过失,侵害他人人身权利和财产权利的违法行为。这里的“故意”,是指直接追求特定目的。阿里云当然没有和他人运营游戏以获取利益的目的,所以阿里云并不存在“故意”。
那阿里云存在“过失”么?
事实上,在本案诉讼过程中,阿里云关停了涉案游戏的服务器,并提供了相关租用人的信息。问题的症结在于,阿里云是否应该在接到乐动卓越的通知后,立即删除用户内容并提供用户信息。
没有及时回应乐动卓越的要求,阿里云的逻辑是,云服务商并不具有认定权利人以及事先审查服务器中存储内容是否侵权的义务。现实世界中,著作权及邻接权(包括出版者权、表演者权、录制者权等等)的认定是一项极为复杂的工作。在专业的司法机关中,权利纠纷的认定、侵权责任的判定需要漫长的周期和复杂的举证、质证环节。换句话说,阿里云作为一个商业公司,没有能力、也没有资格认定谁是著作权权利人以及相关内容是否涉嫌侵权。
这当然不是说阿里云对其用户上传的内容不负责任。根据公开信息,阿里云在服务器用户注册时,会明确要求用户不得发布侵犯他人合法权益的信息,同时要求用户承诺不得发布侵犯他人知识产权的软件。换句话说,阿里云所做的是事前提醒的注意义务。
这还不够。据了解,阿里云会对租用其服务器用户发布的外网内容进行检索,如发现违法信息会进行相应处理。此外,阿里云也会配合执法机构对违法内容开展相应的措施。如本案中,在该用户的行为被司法机关认定为侵权后,阿里云删除其内容并提交了用户信息。
本案中,关于云服务商的定性及法律适用问题尚且存在争议。有观点认为,云服务商与传统网络服务提供者并无区别,应适用《侵权责任法》第三十六的规定,即通知删除原则。也有观点认为,云服务类似于基础运营商提供的接入和传输服务,应适用《信息网络传播权保护条例》,不适用通知删除规则。
事实上,云服务器业务是底层技术服务,保障着整个互联网的运行效率和安全。笔者认为,如果适用“通知删除”规则,未免过于简单粗暴。它影响的不只是服务效率,更重要的是关乎全社会的信息安全。想想看,云服务商接到任意第三方投诉,就必须删除被投诉用户的信息,如此操作会引发更多的纠纷和隐患,从而造成不可逆的严重后果。
有人把云服务商比作酒店式公寓的管理者。管理者不能接到他人投诉说客人是“非法之徒”,就把客人赶出房间;管理者只能根据公安、法院等公权机构经法定程序认定后,再做出相应处理。
所以,法定程序是信息安全的必由之路。由此看来,阿里云未经法律程序,不审查用户内容、不提交用户数据,恰恰是对法治最好的维护。隐私与自由,不正是你我竭力追求且呵护的么?
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。