资讯
4月7日消息，日前有消息指出，众多AI企业正面临一项严峻挑战，即在获取高品质训练数据集的过程中遭遇瓶颈。针对这一普遍现象，一系列应对策略浮出水面，而这些举措在实施过程中不可避免地触及到AI版权法规尚存争议的灰色地带。
报道称，OpenAI 迫切需要训练数据，并开发了 Whisper 音频转录模型来克服困难，转录了超过 100 万小时的 YouTube 视频来训练其最先进的大型语言模型 GPT-4。
报道提到，OpenAI 在 2021 年耗尽了有用的数据供应，并在耗尽其他资源后讨论了转录 YouTube 视频、播客和有声读物的可行性。此外，OpenAI 使用了包括来自 Github 的计算机代码、国际象棋走棋数据库和来自 Quizlet 的作业内容。
据报道，OpenAI 公司知道这在法律上存在问题，但认为这是合理使用。OpenAI 总裁 Greg Brockman 亲自参与了所使用视频的收集。
OpenAI 发言人 Lindsay Held 在一封电子邮件中告诉 The Verge，该公司为其每个模型策划了“独特”的数据集，以“帮助他们了解世界”并保持其全球研究竞争力。Held 补充说，该公司使用“众多来源，包括公开数据和非公开数据的合作伙伴”，并且正在考虑生成自己的合成数据。
谷歌发言人 Matt Bryant 在一封电子邮件中表示，该公司“看到了有关 OpenAI 活动的未经证实的报告”，并补充说“我们的 robots.txt 文件（网站与爬虫间的君子协定）和服务条款都禁止未经授权的抓取或下载 YouTube 内容”。
YouTube 首席执行官 Neal Mohan 近日在采访中公开表示，尽管没有直接证据表明 OpenAI 使用 YouTube 视频来训练 Sora（文本生成视频的 AI 模型），但警告称这种行为违反了 YouTube 现行的平台服务条款。
文明上网，理性发言，共同做网络文明传播者