4 月 7 日消息，本周早些时候，《华尔街日报》报道称 ai 公司在收集高质量训练数据方面遇到了困难。今天，《纽约时报》详细介绍了 ai 公司处理此问题的一些方法，其中涉及到属于 ai 九游会国际的版权法模糊灰色区域的内容。
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。《泰晤士报》则透露，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九游会国际的合作伙伴”，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（it之家注：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”。
it之家注意到，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。
meta 同样也遇到了数据可用性的限制，在《泰晤士报》听到的录音中，meta 的 ai 团队为了努力追赶 openai，讨论了未经许可使用九游会国际的版权作品的情况。该公司在浏览了“互联网上几乎可用的英语书籍、散文、诗歌和新闻文章”后，显然考虑采取一些措施，例如支付图书许可费用，甚至直接收购一家大型出版商。
rss订阅