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

近日，《華爾街日報》報道稱(chēng)（https://www.wsj.com/tech/ai/ai-training-data-synthetic-openai-anthropic-9230f8d8），人工智能公司在收集高質(zhì)量培訓數據方面遇到了困難?！都~約時(shí)報》詳細介紹了一些公司處理這一問(wèn)題的方式。不出所料，它涉及到一些落入人工智能版權法模糊灰色地帶的事情。

故事從OpenAI開(kāi)始，據報道，OpenAI迫切需要訓練數據，開(kāi)發(fā)了Whisper音頻轉錄模型來(lái)克服困難，轉錄了超過(guò)一百萬(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。據《紐約時(shí)報》報道，該公司知道這在法律上有問(wèn)題，但認為這是合理使用的?！短┪钍繄蟆穼?xiě)道，OpenAI總裁Greg Brockman親自參與了收集使用的視頻。

OpenAI發(fā)言人Lindsay Held在一封電子郵件中告訴The Verge，該公司為每個(gè)模型策劃了“獨特”的數據集，以“幫助他們理解世界”，并保持其全球研究競爭力。Held補充道，該公司使用“許多來(lái)源，包括公開(kāi)數據和非公開(kāi)數據的合作伙伴關(guān)系”，并正在考慮生成自己的合成數據。

《泰晤士報》的文章稱(chēng)，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。

谷歌發(fā)言人Matt Bryant在一封電子郵件中告訴The Verge，該公司“看到了未經(jīng)證實(shí)的關(guān)于OpenAI活動(dòng)的報道”，并補充道，“我們的robots.txt文件和服務(wù)條款都禁止未經(jīng)授權的抓取或下載YouTube內容”，這與該公司的使用條款相呼應。YouTube首席執行官Neal Mohan對OpenAI使用YouTube訓練其Sora視頻生成模型的可能性表示了類(lèi)似的看法。Bryant說(shuō)，“當我們有明確的法律或技術(shù)依據時(shí)”，谷歌會(huì )采取“技術(shù)和法律措施”來(lái)防止這種未經(jīng)授權的使用。