随着人工智能技术的飞速发展，数据成为驱动AI模型进步的关键要素。然而，本周早些时候，《华尔街日报》报道指出，AI公司在收集高质量训练数据方面遭遇了前所未有的困难。今日，《纽约时报》进一步披露了AI公司处理这一问题的策略，涉及到了AI版权法的模糊地带。
OpenAI，作为AI领域的领军企业，对训练数据的需求尤为迫切。据报道，为克服数据短缺的难题，OpenAI开发了Whisper音频转录模型，转录了超过100万小时的YouTube视频，用于训练其先进的大型语言模型GPT-4。此外，该公司还从Github获取计算机代码、国际象棋走棋数据库以及Quizlet的作业内容等多元数据资源。
然而，这一做法在法律层面引发了争议。尽管OpenAI认为其使用数据属于合理范围，但《泰晤士报》透露，OpenAI总裁Greg Brockman亲自参与了所使用视频的收集工作，这进一步加剧了版权问题的复杂性。
OpenAI发言人在接受The Verge采访时表示，公司为每个模型策划了独特的数据集，旨在帮助他们更好地了解世界，并保持全球研究竞争力。同时，发言人还提到，公司正在考虑生成自己的合成数据，以缓解对外部数据源的依赖。
另一方面，谷歌也对OpenAI的行为表示了关注。谷歌发言人在一封电子邮件中称，公司看到了有关OpenAI活动的未经证实的报告，并强调其robots.txt文件和服务条款均禁止未经授权的抓取或下载YouTube内容。
YouTube首席执行官Neal Mohan也在最近的采访中公开表示，尽管没有直接证据表明OpenAI使用YouTube视频训练Sora模型，但这种行为违反了YouTube现行的平台服务条款。
与此同时，Meta也面临着数据可用性的限制。据《泰晤士报》报道，Meta的AI团队在讨论追赶OpenAI的过程中，考虑了未经许可使用版权作品的情况。为了扩大数据集，Meta浏览了互联网上的大量英语书籍、散文、诗歌和新闻文章，并考虑采取措施如支付图书许可费用，甚至直接收购大型出版商。
这一系列事件凸显了AI行业在数据收集和使用方面所面临的法律与伦理挑战。随着技术的不断进步，如何在保护版权的同时推动AI模型的发展，成为业界亟待解决的问题。未来，AI公司和相关监管机构需要共同努力，制定更加明确和合理的法规，以促进AI技术的健康、可持续发展。
原创文章，作者：小丸子，如若转载，请注明出处：https://www.kejixun.com/article/643935.html
