随着OpenAI、Google和Meta等主要科技公司竞相开发先进的人工智能（AI）模型，对大量数据的需求不断增长，这些公司一直在追求获取大量数据的非常规且有时具有争议的方法。AI技术的进步推动了对高质量数据量的需求激增，促使这些公司探索数据获取的新途径。
根据最近的一份报告，OpenAI利用了超过一百万小时的YouTube视频来训练其强大的语言模型GPT-4。OpenAI并没有直接使用视频，而是使用了一种名为Whisper的语音识别工具来转录内容，生成新的对话文本。尽管这种方法引起了有关符合YouTube政策的担忧，因为平台限制独立应用使用其视频，但OpenAI通过转录内容找到了一种变通方法。
同样，Google和Meta，即Facebook和Instagram的母公司，也被发现使用有争议的数据来源。报告指出，Google一直在为AI训练转录YouTube视频，可能侵犯版权法，并甚至修改了其服务条款以访问更多用户生成的内容。Meta已经探索了收购Simon & Schuster以获得一个庞大的图书馆的可能性，并考虑使用受版权保护的互联网数据，尽管存在道德和法律问题。
数据量与AI性能
AI模型的有效性，特别是在生成类似人类文本、图像、声音和视频方面，严重依赖于它们接受训练时的数据量。在AI行业中对高质量数据的贪婪需求引起了人们担忧，认为科技公司可能会在2026年早期耗尽互联网数据。这凸显了数据获取在推动AI能力边界方面的关键作用。
公司的回应
OpenAI回应了这些担忧，表示每个AI模型都是在独特的数据集上进行训练的，强调了在研究中保持竞争力的必要性。另一方面，Google承认了他们使用一些YouTube内容来训练其AI模型，但澄清他们是在与内容创作者达成协议的情况下这么做的。他们进一步澄清称，来自办公应用的数据并未在实验性项目之外使用。Meta强调其承诺通过利用数十亿张公开分享的图像和视频将AI整合到其服务中。
常见问题解答
1. 为什么像OpenAI和Google这样的科技公司需要大量数据来训练他们的AI模型？
科技公司依赖大量数据来训练AI模型，因为这些模型的性能和准确性随着它们接受训练的数据量的增加而大幅提高。更多的数据使AI模型能够学习模式，进行预测，并生成更真实和类人的输出。
2. 这些科技巨头在数据获取方面存在哪些争议？
争议产生在科技公司未经明确同意或可能违反版权法使用来自YouTube等来源的数据时。这些做法引发了有关道德影响以及对用户隐私和知识产权的影响方面的担忧。
3. 科技公司如何解决这些问题？
OpenAI声称他们的每个AI模型都是在独特的数据集上进行训练的，以保持竞争力。Google声称已与内容创作者就使用YouTube内容达成协议，并强调除了实验性项目外，办公应用程序中的数据并未被利用。Meta专注于利用公开分享的图像和视频，并承认在访问受版权保护数据时存在法律和道德的考虑。
参考来源:
– 纽约时报: [URL]
– 华尔街日报: [URL]
The source of the article is from the blog smartphonemagazine.nl