4 月 7 日消息，本周早些時候，《華爾街日報》報道稱 AI 公司在收集高質量訓練數據方面遇到了困難。今天，《紐約時報》詳細介紹了 AI 公司處理此問題的一些方法，其中涉及到屬于 AI 版權法模糊灰色區(qū)域的內容。
報道稱，OpenAI 迫切需要訓練數據，并開發(fā)了 Whisper 音頻轉錄模型來克服困難，轉錄了超過 100 萬小時的 YouTube 視頻來訓練其最先進的大型語言模型 GPT-4。
報道提到，OpenAI 在 2021 年耗盡了有用的數據供應，并在耗盡其他資源后討論了轉錄 YouTube 視頻、播客和有聲讀物的可行性。此外，OpenAI 使用了包括來自 Github 的計算機代碼、國際象棋走棋數據庫和來自 Quizlet 的作業(yè)內容。
據報道，OpenAI 公司知道這在法律上存在問題，但認為這是合理使用。《泰晤士報》則透露，OpenAI 總裁 Greg Brockman 親自參與了所使用視頻的收集。
OpenAI 發(fā)言人 Lindsay Held 在一封電子郵件中告訴 The Verge，該公司為其每個模型策劃了“獨特”的數據集，以“幫助他們了解世界”并保持其全球研究競爭力。Held 補充說，該公司使用“眾多來源，包括公開數據和非公開數據的合作伙伴”，并且正在考慮生成自己的合成數據。
谷歌發(fā)言人 Matt Bryant 在一封電子郵件中表示，該公司“看到了有關 OpenAI 活動的未經證實的報告”，并補充說“我們的 robots.txt 文件（IT之家注：網站與爬蟲間的君子協(xié)定）和服務條款都禁止未經授權的抓取或下載 YouTube 內容”。
IT之家注意到，YouTube 首席執(zhí)行官 Neal Mohan 近日在采訪中公開表示，盡管沒有直接證據表明 OpenAI 使用 YouTube 視頻來訓練 Sora（文本生成視頻的 AI 模型），但警告稱這種行為違反了 YouTube 現行的平臺服務條款。
Meta 同樣也遇到了數據可用性的限制，在《泰晤士報》聽到的錄音中，Meta 的 AI 團隊為了努力追趕 OpenAI，討論了未經許可使用版權作品的情況。該公司在瀏覽了“互聯(lián)網上幾乎可用的英語書籍、散文、詩歌和新聞文章”后，顯然考慮采取一些措施，例如支付圖書許可費用，甚至直接收購一家大型出版商。
