報告稱(chēng) OpenAI 采集了超一百萬(wàn)小時(shí)的 YouTube 視頻來(lái)訓練 GPT-4

4 月 7 日消息，本周早些時(shí)候，《華爾街日報》報道稱(chēng) AI 公司在收集高質(zhì)量訓練數據方面遇到了困難。今天，《紐約時(shí)報》詳細介紹了 AI 公司處理此問(wèn)題的一些方法，其中涉及到屬于 AI 版權法模糊灰色區域的內容。

報道稱(chēng)，OpenAI 迫切需要訓練數據，并開(kāi)發(fā)了 Whisper 音頻轉錄模型來(lái)克服困難，轉錄了超過(guò) 100 萬(wàn)小時(shí)的 YouTube 視頻來(lái)訓練其最先進(jìn)的大型語(yǔ)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(lái)自 Github 的計算機代碼、國際象棋走棋數據庫和來(lái)自 Quizlet 的作業(yè)內容。

據報道，OpenAI公司知道這在法律上存在問(wèn)題，但認為這是合理使用?！短┪钍繄蟆穭t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(gè)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(shuō)，該公司使用“眾多來(lái)源，包括公開(kāi)數據和非公開(kāi)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(guān) OpenAI 活動(dòng)的未經(jīng)證實(shí)的報告”，并補充說(shuō)“我們的 robots.txt 文件（注：網(wǎng)站與爬蟲(chóng)間的君子協(xié)定）和服務(wù)條款都禁止未經(jīng)授權的抓取或下載 YouTube 內容”。

YouTube 首席執行官 Neal Mohan 近日在采訪(fǎng)中公開(kāi)表示，盡管沒(méi)有直接證據表明 OpenAI 使用 YouTube 視頻來(lái)訓練 Sora（文本生成視頻的 AI 模型），但警告稱(chēng)這種行為違反了 YouTube 現行的平臺服務(wù)條款。

Meta 同樣也遇到了數據可用性的限制，在《泰晤士報》聽(tīng)到的錄音中，Meta 的AI 團隊為了努力追趕 OpenAI，討論了未經(jīng)許可使用版權作品的情況。該公司在瀏覽了“互聯(lián)網(wǎng)上幾乎可用的英語(yǔ)書(shū)籍、散文、詩(shī)歌和新聞文章”后，顯然考慮采取一些措施，例如支付圖書(shū)許可費用，甚至直接收購一家大型出版商。