【ITBEAR科技資訊】4月7日消息，近日，有關(guān)AI公司在收集訓(xùn)練數(shù)據(jù)方面所面臨的挑戰(zhàn)引發(fā)了廣泛關(guān)注。據(jù)《華爾街日?qǐng)?bào)》本周早些時(shí)候的報(bào)道，AI企業(yè)正努力應(yīng)對(duì)高質(zhì)量訓(xùn)練數(shù)據(jù)收集的難題。而今日，《紐約時(shí)報(bào)》深入探討了這些企業(yè)為解決此問(wèn)題所采取的策略，其中一些做法牽涉到AI版權(quán)法的模糊地帶。
據(jù)報(bào)道，為了獲取訓(xùn)練數(shù)據(jù)，領(lǐng)先的AI公司OpenAI開(kāi)發(fā)了一種名為Whisper的音頻轉(zhuǎn)錄模型。該公司利用這一模型轉(zhuǎn)錄了超過(guò)100萬(wàn)小時(shí)的YouTube視頻，以便訓(xùn)練其最新的大型語(yǔ)言模型GPT-4。OpenAI在2021年就已經(jīng)耗盡了可用的數(shù)據(jù)資源，并在探討利用YouTube視頻、播客和有聲讀物等資源的可行性后，決定采用這種方法。此外，OpenAI還整合了包括Github的計(jì)算機(jī)代碼、國(guó)際象棋走棋數(shù)據(jù)以及來(lái)自Quizlet的學(xué)習(xí)資料等多種數(shù)據(jù)源。
據(jù)ITBEAR科技資訊了解，盡管OpenAI意識(shí)到這種做法在法律上存在爭(zhēng)議，但他們認(rèn)為這屬于合理使用范圍?！短┪钍繄?bào)》披露，OpenAI的總裁Greg Brockman甚至親自參與了視頻的收集工作。OpenAI的發(fā)言人Lindsay Held向媒體表示，公司為每個(gè)模型都策劃了獨(dú)特的數(shù)據(jù)集，旨在幫助其更好地了解世界，并維持其在全球研究領(lǐng)域的競(jìng)爭(zhēng)力。Held還提到，公司使用了眾多數(shù)據(jù)來(lái)源，并正在考慮生成自家的合成數(shù)據(jù)。
然而，這一做法并未得到所有相關(guān)方的認(rèn)可。谷歌發(fā)言人Matt Bryant指出，他們注意到了有關(guān)OpenAI活動(dòng)的報(bào)告，并重申其robots.txt文件和服務(wù)條款都明確禁止未經(jīng)授權(quán)的YouTube內(nèi)容抓取或下載。YouTube首席執(zhí)行官Neal Mohan也在近日的采訪中表示，盡管沒(méi)有直接證據(jù)表明OpenAI使用YouTube視頻來(lái)訓(xùn)練其AI模型，但此類(lèi)行為確實(shí)違反了YouTube的服務(wù)條款。
同樣面臨數(shù)據(jù)可用性限制的還有meta公司。在《泰晤士報(bào)》披露的錄音中，meta的AI團(tuán)隊(duì)為了追趕OpenAI，討論了未經(jīng)許可使用版權(quán)作品的可能性。該團(tuán)隊(duì)在考慮了互聯(lián)網(wǎng)上幾乎所有可用的英語(yǔ)書(shū)籍、散文、詩(shī)歌和新聞文章后，提出了諸如支付圖書(shū)許可費(fèi)，甚至收購(gòu)大型出版商等解決方案。
