OpenAI“不能說的秘密”被公開了？使用YouTube數據訓練模型 獲取方式並不光彩

《科創板日報》3月19日訊（編輯 宋子喬） GPT大模型不斷進階的同時，OpenAI面臨的非議似乎只多不少，除了馬斯克一再追問的“開源”問題，OpenAI訓練大模型的數據來源不明，或已爲這家公司埋下了侵權訴訟的地雷。

當前AI大模型的訓練，數據端需要巨大數據量的大規模數據集投喂。公開資料顯示，OpenAI的數據來源可能包括但不限於：公開可用的數據集，如互聯網上的各種資源，如書籍、網頁、新聞文章、學術論文等；合作伙伴和第三方數據提供商提供的數據集；購買的特定領域的數據，如醫療、法律或科學文獻；合成數據，OpenAI可能會使用其模型自生成數據，例如通過模型自身的輸出來訓練和改進模型；衆包和社區貢獻的數據。

數據來源並不是最重要的問題，外界關注的焦點是OpenAI如何拿到這些數據。

▌“偷”來的？

正如Business Insider報道，OpenAI使用大量YouTube視頻訓練模型已經是“公開的秘密”，受益產品包括其新推出的文生視頻領域模型Sora。謎團在於OpenAI如何取得足夠的YouTube內容。

要知道，YouTube是谷歌的子公司。2006年，YouTube被谷歌以16.5億美元的價格收購，並在谷歌的支持下迅速成長爲全球最大的視頻分享平臺。

而谷歌一直致力於發展AI，是OpenAI的主要競爭對手之一，自然不會將自家金礦無償提供給對家使用，YouTube早已禁止出於商業目的的下載，還將限制大量下載YouTube視頻數據的行爲。這種嚴格把控下，個人用戶也受到了影響，有人表示，即使下載一個YouTube視頻，速度也非常緩慢，需要幾個小時才能完成。

一個普遍的猜測是，OpenAI使用爬蟲，“偷走”了YouTube的數據。OpenAI曾經承認，推出了名爲GPTBot的網絡爬蟲機器人，用於抓取和收集數據用於大模型訓練。

OpenAI高管對相關問題閃爍其詞，也從側面加深了人們對其“數據小偷”的印象。《華爾街日報》最近詢問OpenAI首席技術官Mira Murati，該初創公司是否使用包括來自YouTube、Instagram和Facebook的視頻來訓練Sora。

“我實際上對此並不確定，”她說。當再次被問及訓練數據的來源時，Murati拒絕回答，“我不會透露細節。”

Business Insider最新報道指出，一位熟悉OpenAI運營的人士表示，該公司指派了一個嚴密保護的團隊來獲取訓練數據，關於如何獲得這些數據，是一個保密問題。

▌柵欄叢生的AI原野

使用爬蟲的行爲並不爲谷歌所容，該公司旗下的YouTube禁止通過機器人和其他自動化方法抓取其視頻。

但對於OpenAI來說，以違反谷歌服務條款的方式訪問YouTube視頻可能並不違法。美國的判例法和“合理使用”原則保護了公司以不同方式自由使用在線內容的權利。

簡而言之，谷歌、OpenAI和其他科技公司目前認爲，使用受版權保護的內容進行人工智能模型訓練也是合法的。監管機構也尚未就此做出明確規定。人工智能的競技場仍然是一片廣袤的原野，與數據有關的遊戲規則要麼尚未確定，要麼被忽視。

各廠商爭先入場，搭建自己的技術柵欄。

OpenAI和其他大模型開發商此前曾在發表的研究論文中公開其訓練數據源，但隨着競爭加劇，這種做法不再盛行。人人都想要保留自己的技術秘訣，以求相對優勢，尤其是佔據有利地位的頭部廠商，開源之爭也是廠商試圖自留殺手鐗的體現。

唯一確定的是，隨着生成式AI技術的進一步迭代，類似的糾紛只會多不會少。

大公司更容易成爲衆矢之的，以數據爲例，即使它們敢於承擔責任，承擔高昂的數據採購成本，但要做到數據獲取完全合規，並不容易。由於參數量巨大，大模型需要藉助分佈式計算和雲服務等技術來進行訓練和部署，又增加了數據被竊取、篡改、濫用或泄露的風險。

如何平衡個人隱私保護和鼓勵技術創新，如何找到企業生存與合規生產間的最優路徑，已經是每個致力於生成式AI事業的公司繞不開的問題。