Generative AI & Competition Law Concerns: The New Kid on the Block!
Notice bibliographique
Résumé
Artificial intelligence (AI) is not a new concept. It dates back to 1956 to the Dartmouth Summer Conference on AI. John McCarthy and his colleagues defined AI as the ‘science and engineering of making intelligent machines’. Russel and Norvig define AI as computers and machines that seek to act rationally, think rationally, act and think like a human. Generative AI is a sub-category of AI that allows machines to generate new content rather than simply analyse data. By using models trained on a vast amount of data, generative AI can create content such as text, photos, audio, or video, which may be akin to the content created by humans. Foundation models are a form of generative AI, which generate output from one or more inputs (prompts) in the form of human language instructions. Large language models (LLMs), including chatbots and other text-based AI tools, are good examples of foundation models. Large language models are no longer limited to simple tasks or scripted responses. They possess the ability to understand context, learn from interactions, and adapt their responses. Recent developments in AI and its potential legal implications have been on the radar of regulators in the EU, in the UK, the USA and around the world. On March 13, 2024, the European Parliament adopted the Artificial Intelligence Act (AI Act).On March 13, 2024, the European Parliament adopted the Artificial Intelligence Act (AI Act). This marks a regulatory milestone, aiming to set EU-wide standards on data quality, transparency, human oversight, and accountability. However, this legislation, along with other international efforts like the USA's Algorithmic Accountability Act of 2023 and Canada's Directive on Automated Decision-Making, still leaves gaps as they primarily focus on the safety of AI systems and do not address competition concerns. On 23 July 2024, 4 key agencies namely the European Commission, the UK Competition and the Markets Authority (CMA) the US Department of Justice (DOJ) and the US Federal Trade Commission(FTC) released a joint statement on competition in generative AI foundation models and AI products and acknowledged that AI could benefit citizens, boost innovation and drive economic growth. However,, to reap these benefits competition authorities must remain vigilant and provide safeguards against tactics that could undermine competition. Against this dynamic backdrop, this work assesses the regulatory concerns in generative AI, and whether EU competition law may help address the competition concerns therein.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,024 |
| Communication savante | 0,014 | 0,019 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,015 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».