科技公司不断寻求提升其人工智能（AI）模型的方法，而数据在他们的探索中扮演着至关重要的角色。在最近的一份报告中，OpenAI 披露了其使用逾 一百万小时的 YouTube 视频来训练其尖端语言模型 GPT-4。
训练如此强大的 AI 模型需要大量的数据，而 OpenAI 利用了 YouTube 广阔的视频库来实现这一目标。通过一种名为 Whisper 的语音识别工具，GPT-4 模型转录了视频内容，为训练提供了大量的数据集。
然而，这种方法引发了与 YouTube 政策遵从性相关的担忧。 YouTube 的所有者谷歌严格限制其视频的用途以供独立应用。视频数据的转录过程引发了人们对侵犯版权法可能性的揣测。
当被问及 OpenAI 对 YouTube 数据的使用时，YouTube CEO Neal Mohan 表示不确定，称自己并不知情。尽管如此，他承认未经合适授权使用 YouTube 视频可能会带来重大问题。
值得注意的是，OpenAI 并非唯一一家探索获取更多数据用于 AI 训练的公司。谷歌本身也在根据与创作者的协议转录 YouTube 内容。马克·扎克伯格的 Meta 也曾因讨论可能收购西蒙与舒斯特（Simon & Schuster）以获取庞大图书馆而登上头条。
为什么如此痴迷于数据？
AI 模型的效力和能力与其所训练的数据量和质量直接相关。事实上，对高质量数据的需求非常巨大，以至于专家们预计到 2026 年，可获得的互联网数据可能会被耗尽，展示了积累大量信息的竞争。
常见问题解答
什么是 GPT-4？
GPT-4 代表“Generative Pre-trained Transformer 4”，是由 OpenAI 开发的语言模型。它利用深度学习技术根据所提供的上下文生成类似人类的文本。
什么是语音识别？
语音识别是一种将口头语言转换为书面文本的技术。在 OpenAI 的 GPT-4 的情况下，Whisper 语音识别工具转录了 YouTube 视频内容。
数据如何影响 AI 模型？
数据对训练 AI 模型至关重要。数据的量和质量直接影响 AI 模型的性能、准确性和能力。更多的数据可实现更好的预测并对复杂模式有更深入的理解。
转录 YouTube 视频是否存在版权问题？
是的，未经适当授权转录 YouTube 视频可能违反版权法。YouTube 限制其视频用于独立应用，未经授权的转录可能侵犯创作者的权利。
AI 公司如何获取数据？
AI 公司利用各种来源获取数据。这些可能包括公共数据集、与数据提供商的合作伙伴关系，或与内容创作者的协议以访问其内容进行训练。
随着数据竞赛的加剧，OpenAI 和谷歌等公司继续探索有效训练其 AI 模型的创新途径。尽管对合规性和版权的担忧依然存在，但对数据驱动的 AI 进展的迫切渴望仍在持续。
参考来源：
《印度斯坦时报》
The source of the article is from the blog xn--campiahoy-p6a.es