近日，《華爾街日報》報道稱（https://www.wsj.com/tech/ai/ai-training-data-synthetic-openai-anthropic-9230f8d8），人工智能公司在收集高質量培訓數(shù)據方面遇到了困難?！都~約時報》詳細介紹了一些公司處理這一問題的方式。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開始，據報道，OpenAI迫切需要訓練數(shù)據，開發(fā)了Whisper音頻轉錄模型來克服困難，轉錄了超過一百萬小時的YouTube視頻來訓練其最先進的大型語言模型GPT-4。據《紐約時報》報道，該公司知道這在法律上有問題，但認為這是合理使用的?！短┪钍繄蟆穼懙溃琌penAI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，該公司為每個模型策劃了“獨特”的數(shù)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“許多來源，包括公開數(shù)據和非公開數(shù)據的合作伙伴關系”，并正在考慮生成自己的合成數(shù)據。

《泰晤士報》的文章稱，OpenAI在2021年耗盡了有用的數(shù)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使用了包括來自Github的計算機代碼、國際象棋走棋數(shù)據庫和來自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“看到了未經證實的關于OpenAI活動的報道”，并補充道，“我們的robots.txt文件和服務條款都禁止未經授權的抓取或下載YouTube內容”，這與該公司的使用條款相呼應。YouTube首席執(zhí)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似的看法。Bryant說，“當我們有明確的法律或技術依據時”，谷歌會采取“技術和法律措施”來防止這種未經授權的使用。