揭秘字节OpenAI账号被封禁背后真相

不知道各位差友听说没，字节的 OpenAI 账号，被封了。。。

根据 OpenAI 的说法，就在上周五，他们暂停了字节的账号，具体发生了啥，现在也还在进一步调查中。

世超也去查了查，发现事情，是由外媒 The Verge 的一则报道引起的。

据报道，字节跳动正在悄咪咪地用 OpenAI 的 API ，做一些 “ 不太光彩 ” 的事儿。

和大伙们用 AI 水周报，糊弄领导不一样，按照 The Verge 的说法，字节直接在用 OpenAI 训练自家的大模型。

一般遇到类似传言，世超不会太在意，毕竟套壳大模型、用别家大模型训练自家大模型等等，相关的消息隔三岔五就会来那么一次。

而且都是一些风言风语，没啥实锤，也没啥后续。

但这次不一样了，报道里的内部消息，至少看起来都贼真。

他们说是弄到了字节内部泄露的一份文件。

里面主要讲了字节的大模型项目—— “ 种子计划 ” 的开发过程，几乎在每个阶段，包括训练还有评估，字节的大模型都用了 OpenAI 的 API 。

另外，像是怎么 “ 通过数据脱敏，不被人抓到小尾巴 ” 这类的内部飞书聊天记录，也都给曝出了。

再加上 OpenAI 的直接封号，还真有点坐实了报道里内容的味道。

反正一时间，网友们都纷纷出来吃瓜，各种阴阳国产大模型的言论都出来了——

“ 怪不得国产大模型们一个个都开发得这么快，原来是在偷师 GPT 啊？ ” “ 国内的大模型都一股 GPT 味儿，原来问题出在这儿。 ”

国内媒体们都一股脑儿地转载报道，话题还一度飙上了知乎热榜。

而大伙们也应该发现了，争议的中心在于，字节可能调用 OpenAI API 给自家大模型生成训练数据。

说实话，相较与简单粗暴，甚至有些无底线的套壳，这手段，其实文明了不少了。。。

在大模型领域里，我们一般叫它大模型的知识蒸馏。

从名字来看，估计各位差友也能猜出来个一二三，就是用已经训练得差不多的先进大模型，生成一些优质语料，然后再把生成的这些语料喂给更小模型。

说好听点，大模型的知识蒸馏，是帮大家省了前期标注数据、提取优质语料库的功夫，说难听点，这就是在吃别人已经嚼烂的食物，好偷懒省力。

看到这儿，肯定有人会说了，大模型做出来，不就是让人用的么，用户爱咋用咋用，这波字节没做错啥啊？

话是这么说，但是 OpenAI 早就料到了这一手，为了防止自己的数据被薅、被蒸馏， OpenAI 在自家的服务协议早就埋伏上了。

不只有企业，包括个人开发者在内， OpenAI 都禁止他们用 OpenAI 的大模型，去开发竞品。

在普通用户那儿， OpenAI 也没放过。

它给 ChatGPT 和 DALL·E 都套上了枷锁，同样也不让用输出的内容，训练与 OpenAI 竞争的模型。

只要你违反上面那些规定了，按照官方的说法，就只是提前知会一声，随时终止服务。

这些条例就跟唐僧念符之下的紧箍咒一样，越来越紧。。。咱明眼人也都能看出 OpenAI 在自家 “ 数据安全 ” 这块是下狠招了。

虽说字节用的 API 不是从 OpenAI 这边直接买的，而是买的微软 Azure 上的云服务 Azure OpenAI 。

但从微软那边买，同样也是受这个协议约束。

或许是因为这些原因，才有了开头先封号处理，再进一步调查字节的局面。

看着这一盆盆 “ 脏水 ” 泼过来，字节也没干坐着，在周末加班一一给出了回应。

首先，他们称在开发大模型的时候，只是在初期探索阶段用了 GPT 的 API 服务，并且探索阶段的模型还只是测试，没有上线对外使用。

并且根据字节的说法，今年四月份他们内部就明确规定，不能用 GPT 生成的数据训练自己的大模型。

更重要的是，他们说九月份内部还搞了个检查，主要的任务就是看他们的训练数据和 GPT 的相似程度。

未来几天里，他们还准备再来一次全面检查，以确保严格遵守相关服务的使用条款。

到现在为止，反正各方的回应是一箩筐，至于字节到底有没有违反 OpenAI 的服务协议，从现在的信息来看我们也做不出啥判断，只能等后续双方沟通的结果。

不过，在训练大语言模型这块，数据来源的争议其实一直都蛮大。

OpenAI 训练大模型的时候，也曾在数据上栽了不少跟头。

就比如 ChatGPT ，它主要就是爬取一些社交媒体网站、或者论坛、贴吧上的数据。

刚开始，这些数据他们都是免费爬的，但后来 OpenAI 的 ChatGPT 还有 DALL·E 慢慢出圈，一些问题就连带着浮出水面了。

这两个大模型爆火的那段时间， OpenAI 吃的官司是一个接一个。

文生图大模型被各种图片网站、艺术家们起诉，大语言模型被社交平台上的博主索赔。。。

与此同时，各大平台也都开始注重数据价值，像是美版贴吧 Reddit ，还有程序员问答网站 StackOverflow 等等这种优质语料多的网站，都开始设置付费门槛，交钱才能爬取数据。

但在此时 OpenAI 的大模型已经发育起来了，过去网络上的数据该爬的也都爬了。

这下就苦了那些后来者，前期还不仅要做一些标注语料库的重复劳动，还得付费再爬一遍数据。

不过世超觉得，这次真如 The Verge 报道中说的，那这个 “ 锅 ” 铁定还是要字节来背，毕竟相关的条例，早就写在协议里了，拿人家的手短，人家还真有理。

最后，世超想说的是，自从大模型流行以来，业内类似的争议也好、丑闻也好，其实基本就没断过。

就比如前不久，李开复的大模型 Yi 被扒出是 “ 套壳 ” Meta 的 LLaMA ，虽说后者也是开源的，但要用也得注明。

但李开复还是在网上舆论发酵之后，才不痛不痒地回应了句命名疏忽。。。

更离谱的是，大模型内部还和机圈儿一样，流行起了跑分热。

有的企业为了让自己的模型分数更好看一点，直接搞起了小动作。

前段时间谷歌的 Gemini ，为了让自家模型的分数比 GPT-4 好看，在测试方法上就动了些手脚。

国内某团队也曾发布过技术报告，里面明晃晃地指出了大模型刷榜的乱象。

他们直接把测评的题目，先喂给了自家大模型。

相当于是开卷刷榜，让自家的大模型在一群 “ 做题家 ” 中脱颖而出。

当然，新兴领域一开始都是乱象丛生，有这些丑闻也不是啥新鲜事儿。

世超也希望，未来，大模型厂商们能主打一个诚实，别今天暴打 GPT-4 ，明天又暴打 OpenAI 的了。

还有用了谁谁谁的数据，用了哪些开源资源，也大大方方承认，作为一个追赶者、学习者，其实没啥丢脸的。。

再回到字节和 OpenAI 这档子事儿，要是真相水落石出，字节确实是被冤枉，世超也希望 OpenAI 和媒体们能立马化身墙头草，还字节一个清白。

少一些套路，多一些真诚，大模型可以有幻觉，人嘛，还是实诚点好。