AI (Artificial Intelligence) ਦੇ ਸਿਖਲਾਈ ਡਾਟਾ (Training Data) ਨੂੰ ਲੈ ਕੇ ਚੱਲ ਰਹੀਆਂ ਕਾਨੂੰਨੀ ਲੜਾਈਆਂ ਹੁਣ ਸਿਰਫ ਕਾਪੀਰਾਈਟ (Copyright) ਦੇ ਮਸਲਿਆਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਵੱਡੇ ਐਂਟੀਟਰਸਟ (Antitrust) ਯਾਨੀ ਏਕਾਧਿਕਾਰ (Monopoly) ਬਹਿਸਾਂ ਵਿੱਚ ਬਦਲ ਰਹੀਆਂ ਹਨ। ਭਾਰਤੀ ਅਦਾਲਤਾਂ ਵੱਲੋਂ ਖੋਜ ਲਈ 'ਫੇਅਰ ਡੀਲਿੰਗ' (Fair Dealing) ਦੀ ਪੁਸ਼ਟੀ ਤੋਂ ਬਾਅਦ, ਨਿਵੇਸ਼ਕਾਂ (Investors) ਨੂੰ ਇਸ ਗੱਲ 'ਤੇ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਕੁਝ ਵੱਡੀਆਂ ਟੈਕ ਕੰਪਨੀਆਂ ਵੱਲੋਂ ਡਾਟਾ ਤੱਕ ਵਿਸ਼ੇਸ਼ ਪਹੁੰਚ (Exclusive Access) ਮਾਰਕੀਟ ਵਿੱਚ ਅਣਉਚਿਤ ਸ਼ਕਤੀ (Unfair Market Power) ਬਣਾ ਰਹੀ ਹੈ।
AI (Artificial Intelligence) ਮਾਡਲਾਂ ਦੇ ਨਿਰਮਾਣ ਨੂੰ ਲੈ ਕੇ ਪੂਰੀ ਦੁਨੀਆ ਵਿੱਚ ਚੱਲ ਰਹੀ ਬਹਿਸ ਹੁਣ ਸਿਰਫ ਕਾਪੀਰਾਈਟ ਉਲੰਘਣਾ (Copyright Infringement) ਤੋਂ ਅੱਗੇ ਨਿਕਲ ਗਈ ਹੈ। ਜਿੱਥੇ ਸ਼ੁਰੂਆਤੀ ਕਾਨੂੰਨੀ ਚੁਣੌਤੀਆਂ ਇਸ ਗੱਲ 'ਤੇ ਕੇਂਦਰਿਤ ਸਨ ਕਿ ਕੀ AI ਕੰਪਨੀਆਂ ਇਜਾਜ਼ਤ ਤੋਂ ਬਿਨਾਂ ਕਿਤਾਬਾਂ ਜਾਂ ਲੇਖਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਉੱਥੇ ਹੁਣ ਗੱਲਬਾਤ ਇੱਕ ਵਧੇਰੇ ਸੰਰਚਨਾਤਮਕ ਚਿੰਤਾ, ਯਾਨੀ ਮੋਨੋਪੋਲੀ ਪਾਵਰ (Monopoly Power) ਵੱਲ ਵਧ ਰਹੀ ਹੈ।
ਜਿਵੇਂ-ਜਿਵੇਂ ਵੱਡੀਆਂ ਟੈਕ ਫਰਮਾਂ (Tech Firms) ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ, ਵਿਸ਼ੇਸ਼ ਡਾਟਾਸੈੱਟ (Exclusive Datasets) ਬਣਾਉਣ ਲਈ ਭਾਰੀ ਨਿਵੇਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ, ਰੈਗੂਲੇਟਰ (Regulators) ਇਹ ਸਵਾਲ ਉਠਾਉਣ ਲੱਗੇ ਹਨ ਕਿ ਕੀ ਇਹ 'ਡਾਟਾ ਐਡਵਾਂਟੇਜ' (Data Advantage) ਛੋਟੇ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ (Competitors) ਨੂੰ ਬਾਜ਼ਾਰ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਤੋਂ ਰੋਕਣ ਲਈ ਇੱਕ ਅਣਉਚਿਤ ਰੁਕਾਵਟ (Unfair Barrier) ਤਾਂ ਨਹੀਂ ਬਣਾ ਰਹੀ।
ਭਾਰਤੀ ਕਾਨੂੰਨੀ ਪ੍ਰੀਖਿਆ
ਭਾਰਤ ਵਿੱਚ, ਕਾਨੂੰਨੀ ਢਾਂਚਾ ਕੁਝ ਸਪੱਸ਼ਟਤਾ ਪ੍ਰਦਾਨ ਕਰ ਰਿਹਾ ਹੈ, ਹਾਲਾਂਕਿ ਇਹ ਸੰਯੁਕਤ ਰਾਜ ਅਮਰੀਕਾ ਤੋਂ ਕਾਫੀ ਵੱਖਰਾ ਹੈ। 24 ਜੁਲਾਈ, 2026 ਨੂੰ, ਦਿੱਲੀ ਹਾਈ ਕੋਰਟ ਨੇ ANI ਦੁਆਰਾ OpenAI ਦੇ ਖਿਲਾਫ ਦਾਇਰ ਇੱਕ ਅੰਤਰਿਮ ਇੰਜੰਕਸ਼ਨ ਪਟੀਸ਼ਨ (Interim Injunction Plea) ਨੂੰ ਖਾਰਜ ਕਰ ਦਿੱਤਾ। ਅਦਾਲਤ ਨੇ ਫੈਸਲਾ ਸੁਣਾਇਆ ਕਿ AI ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਡਾਟਾ ਦੀ ਵਰਤੋਂ, ਕਾਪੀਰਾਈਟ ਐਕਟ, 1957 ਦੇ ਤਹਿਤ 'ਫੇਅਰ ਡੀਲਿੰਗ' (Fair Dealing) ਵਜੋਂ ਯੋਗ ਹੈ।
ਇਹ ਫੈਸਲਾ ਭਾਰਤੀ ਨਿਵੇਸ਼ਕਾਂ ਅਤੇ ਟੈਕ ਫਰਮਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਖੋਜ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ AI ਸਿਖਲਾਈ ਮੌਜੂਦਾ ਕਾਨੂੰਨ ਦੇ ਤਹਿਤ ਸੁਰੱਖਿਅਤ ਹੋ ਸਕਦੀ ਹੈ। ਅਮਰੀਕਾ ਦੇ 'ਫੇਅਰ ਯੂਜ਼' (Fair Use) ਸਿਧਾਂਤ ਦੇ ਉਲਟ, ਜੋ ਆਉਟਪੁੱਟ ਦੀ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪ੍ਰਕਿਰਤੀ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ, ਭਾਰਤੀ ਅਦਾਲਤਾਂ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਦੀ ਖੋਜ-ਮੁਖੀ ਪ੍ਰਕਿਰਤੀ 'ਤੇ ਜ਼ੋਰ ਦੇ ਰਹੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਸਾਰੇ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਲਈ ਮੁਫਤ ਛੋਟ ਨਹੀਂ ਦਿੰਦਾ, ਅਤੇ ਜਨਤਕ ਡਾਟਾ ਤੋਂ ਸਿੱਖਣ ਅਤੇ ਸੁਰੱਖਿਅਤ ਸਮੱਗਰੀ ਨੂੰ ਦੁਬਾਰਾ ਪੇਸ਼ ਕਰਨ ਵਿਚਕਾਰ ਦਾ ਅੰਤਰ ਇੱਕ ਬਾਰੀਕ ਰੇਖਾ ਹੈ ਜਿਸਨੂੰ ਕੰਪਨੀਆਂ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ ਪਵੇਗਾ।
ਐਂਟਰੀ ਲਈ ਡਾਟਾ ਇੱਕ ਰੁਕਾਵਟ ਵਜੋਂ
ਅਦਾਲਤੀ ਕੇਸਾਂ ਤੋਂ ਪਰ੍ਹੇ, ਮਾਰਕੀਟ ਰੈਗੂਲੇਟਰਾਂ ਲਈ ਮੁੱਖ ਚਿੰਤਾ ਸ਼ਕਤੀ ਦਾ ਕੇਂਦਰੀਕਰਨ (Concentration of Power) ਹੈ। ਫਰੰਟੀਅਰ AI ਮਾਡਲਾਂ (Frontier AI Models) ਨੂੰ ਬਣਾਉਣ ਲਈ ਟੈਕਸਟ, ਕਿਤਾਬਾਂ ਅਤੇ ਮੀਡੀਆ ਦੀ ਵਿਸ਼ਾਲ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਿਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਨੇ ਪਹਿਲਾਂ ਹੀ ਇਸ ਡਾਟਾ ਨੂੰ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਸੁਰੱਖਿਅਤ ਕਰ ਲਿਆ ਹੈ, ਉਨ੍ਹਾਂ ਕੋਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਪਾਰਕ ਲਾਭ ਹੈ, ਜਿਸਨੂੰ ਅਕਸਰ 'ਡਾਟਾ ਮੋਟ' (Data Moat) ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
ਜੇ ਸਿਰਫ ਕੁਝ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫੰਡ ਪ੍ਰਾਪਤ ਕੰਪਨੀਆਂ ਇਸ ਡਾਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਦੀ ਲਾਗਤ ਅਤੇ ਕਾਨੂੰਨੀ ਜੋਖਮਾਂ ਨੂੰ ਸਹਿਣ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਇਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਇੱਕ ਬੰਦ ਈਕੋਸਿਸਟਮ (Closed Ecosystem) ਬਣਾਉਂਦਾ ਹੈ। ਆਲੋਚਕਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਹ ਨਵੀਨਤਾ (Innovation) ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ, ਕਿਉਂਕਿ ਨਵੇਂ ਸਟਾਰਟਅੱਪ (Startups) ਸਥਾਪਿਤ ਖਿਡਾਰੀਆਂ ਦੇ ਸਿਖਲਾਈ ਵਾਤਾਵਰਣ (Training Environments) ਨੂੰ ਦੁਬਾਰਾ ਨਹੀਂ ਬਣਾ ਸਕਦੇ। ਇਸ ਨੇ EU AI ਐਕਟ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਵਾਲੇ ਰੈਗੂਲੇਟਰਾਂ ਸਮੇਤ ਗਲੋਬਲ ਰੈਗੂਲੇਟਰਾਂ ਨੂੰ ਵੱਡੇ ਮਾਡਲਾਂ ਲਈ ਸਖ਼ਤ ਪਾਰਦਰਸ਼ਤਾ ਲੋੜਾਂ (Transparency Requirements) ਪੇਸ਼ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕੀਤਾ ਹੈ, ਜਿਸ ਨਾਲ ਕੰਪਨੀਆਂ ਨੂੰ ਆਪਣੇ ਸਿਖਲਾਈ ਸਰੋਤਾਂ (Training Sources) ਬਾਰੇ ਵਧੇਰੇ ਖੁਲਾਸਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕੀਤਾ ਗਿਆ ਹੈ।
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਜੋਖਮ ਅਤੇ ਨਿਗਰਾਨੀਯੋਗਤਾ
ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਇਹ ਕਾਨੂੰਨੀ ਅਤੇ ਸੰਰਚਨਾਤਮਕ ਬਹਿਸਾਂ ਕਈ ਪੱਧਰਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਪੇਸ਼ ਕਰਦੀਆਂ ਹਨ। ਪਹਿਲਾ ਹੈ ਕਾਰਜਕਾਰੀ ਜੋਖਮ (Operational Risk); ਜੇ ਅਦਾਲਤਾਂ ਜਾਂ ਰੈਗੂਲੇਟਰ ਕਾਪੀਰਾਈਟ ਉਲੰਘਣਾ ਕਾਰਨ ਸਿਖਲਾਈ ਡਾਟਾਸੈੱਟਾਂ ਨੂੰ ਨਸ਼ਟ ਕਰਨ ਦਾ ਆਦੇਸ਼ ਦਿੰਦੇ ਹਨ, ਤਾਂ R&D ਨਿਵੇਸ਼ ਦਾ ਨਤੀਜਾ ਨੁਕਸਾਨਾਤਮਕ ਹੋ ਸਕਦਾ ਹੈ। ਦੂਜਾ ਹੈ ਰੈਗੂਲੇਟਰੀ ਅਤੇ ਐਂਟੀਟਰਸਟ ਜੋਖਮ (Regulatory and Antitrust Risk), ਜਿੱਥੇ ਸਰਕਾਰੀ ਸੰਸਥਾਵਾਂ ਦਖਲ ਦੇ ਸਕਦੀਆਂ ਹਨ ਜੇ ਉਨ੍ਹਾਂ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਕੋਈ ਕੰਪਨੀ ਸਿਰਫ ਬੇਦਖਲ ਕਰਨ ਵਾਲੇ ਡਾਟਾ ਅਭਿਆਸਾਂ (Exclusionary Data Practices) ਰਾਹੀਂ ਪ੍ਰਮੁੱਖ ਸਥਿਤੀ (Dominant Position) ਪ੍ਰਾਪਤ ਕਰ ਚੁੱਕੀ ਹੈ। ਅੰਤ ਵਿੱਚ, ਕੰਪਨੀਆਂ ਸੰਭਾਵੀ ਸੈਕੰਡਰੀ ਦੇਣਦਾਰੀ (Secondary Liability) ਦਾ ਸਾਹਮਣਾ ਕਰਦੀਆਂ ਹਨ, ਜਿੱਥੇ ਉਨ੍ਹਾਂ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਠਹਿਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜੇ ਉਨ੍ਹਾਂ ਦੇ AI ਮਾਡਲ ਅਜਿਹੀ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਦੇ ਹਨ ਜੋ ਤੀਜੀ-ਧਿਰ ਦੀ ਬੌਧਿਕ ਜਾ property (Intellectual Property) ਦੇ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦੀ ਹੈ।
ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਭਾਰਤ ਅਤੇ ਮੁੱਖ ਗਲੋਬਲ ਬਾਜ਼ਾਰਾਂ ਦੋਵਾਂ ਵਿੱਚ ਰੈਗੂਲੇਟਰੀ ਫਰੇਮਵਰਕ (Regulatory Frameworks) ਦੇ ਵਿਕਾਸ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਫੋਕਸ ਸਧਾਰਨ ਮੁਕੱਦਮੇਬਾਜ਼ੀ ਤੋਂ ਨੀਤੀ ਬਦਲਾਵਾਂ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ ਜੋ AI ਕੰਪਨੀਆਂ ਨੂੰ ਵਧੇਰੇ ਪਾਰਦਰਸ਼ਤਾ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਸਕਦੇ ਹਨ, ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿਖਲਾਈ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਦੀ ਲੋੜ ਪੈ ਸਕਦੀ ਹੈ ਜਾਂ ਐਂਟੀਟਰਸਟ ਜਾਂਚ (Antitrust Scrutiny) ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਸਕਦਾ ਹੈ। ਆਉਣ ਵਾਲੇ ਸਾਲਾਂ ਵਿੱਚ ਕੰਪਨੀਆਂ ਦੀ ਨੈਤਿਕਤਾ ਨਾਲ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਪਾਲਣਾ ਲੋੜਾਂ (Compliance Requirements) ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਇੱਕ ਮੁੱਖ ਵਿਭਿੰਨਤਾ (Key Differentiator) ਹੋਵੇਗੀ।