OpenAI等科技巨头如何多样化地搜集数据以训练AI

【环球时报特约记者 甄翔】《纽约时报》6日披露了科技公司训练人工智能的秘密——利用语音识别工具转录视频网站YouTube上的视频，形成对话文本数据，供其最新的AI学习。这是一条违反法律的“捷径”。

报道称，早在2021年年底，OpenAI就面临培训AI模型的数据源几乎陷入枯竭的境地。该公司铤而走险，在明知YouTube母公司谷歌禁止用工具提取该平台内容的情况下，转录了100多万条视频并生成GPT-4模型的学习材料，OpenAI创始人之一布罗克曼也参与其中。讽刺的是，谷歌得知OpenAI的行为却并未制止，因为其也在提取YouTube平台内容训练AI模型。

《纽约时报》援引消息人士的话表示，这可能侵犯视频版权，因为它们属于创作者。尽管如此，越来越多的科技公司冒着面临诉讼的风险也要“走捷径”。报道称，根据内部会议记录，Meta公司商定从互联网上收集受版权保护的数据，因为与出版商、艺术家、音乐家和新闻行业就版权内容谈判太花时间。

报道称，领先的AI模型需要从涵盖多达3万亿字的数字文本池中学习。有分析称，预计互联网上现有可供培训AI模型的数据最快到2026年就会耗尽。

《纽约时报》援引内部人士的消息称，谷歌法律部门已经要求起草新的政策，扩大该公司对消费者数据的用途。Meta的情况更严峻，其旗下脸书平台不是人们撰写文章的地方，可用数据不多。报道称，在一次讨论中，Meta高管谈到在非洲聘请承包商来汇总各种小说和非小说的文本摘要。Meta全球合作与内容副总裁格鲁丁表示：“唯一阻碍我们达到ChatGPT水平的因素就是数据量。”

来源：环球时报