報告稱 OpenAI 采集了超一百萬小時的 YouTube 視頻來訓練 GPT-4

4 月 7 日消息，本周早些時候，《華爾街日報》報道稱 AI 公司在收集高質量訓練數據方面遇到了困難。今天，《紐約時報》詳細介紹了 AI 公司處理此問題的一些方法，其中涉及到屬于 AI 版權法模糊灰色區域的內容。

報道稱，OpenAI 迫切需要訓練數據，并開發了 Whisper 音頻轉錄模型來克服困難，轉錄了超過 100 萬小時的 YouTube 視頻來訓練其最先進的大型語言模型 GPT-4。

報道提到，OpenAI在 2021 年耗盡了有用的數據供應，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、國際象棋走棋數據庫和來自 Quizlet 的作業內容。

據報道，OpenAI公司知道這在法律上存在問題，但認為這是合理使用?！短┪钍繄蟆穭t透露，OpenAI 總裁 Greg Brockman 親自參與了所使用視頻的收集。

OpenAI 發言人 Lindsay Held 在一封電子郵件中告訴 The Verge，該公司為其每個模型策劃了“獨特”的數據集，以“幫助他們了解世界”并保持其全球研究競爭力。Held 補充說，該公司使用“眾多來源，包括公開數據和非公開數據的合作伙伴”，并且正在考慮生成自己的合成數據。

谷歌發言人 Matt Bryant 在一封電子郵件中表示，該公司“看到了有關 OpenAI 活動的未經證實的報告”，并補充說“我們的 robots.txt 文件（注：網站與爬蟲間的君子協定）和服務條款都禁止未經授權的抓取或下載 YouTube 內容”。

YouTube 首席執行官 Neal Mohan 近日在采訪中公開表示，盡管沒有直接證據表明 OpenAI 使用 YouTube 視頻來訓練 Sora（文本生成視頻的 AI 模型），但警告稱這種行為違反了 YouTube 現行的平臺服務條款。

Meta 同樣也遇到了數據可用性的限制，在《泰晤士報》聽到的錄音中，Meta 的AI 團隊為了努力追趕 OpenAI，討論了未經許可使用版權作品的情況。該公司在瀏覽了“互聯網上幾乎可用的英語書籍、散文、詩歌和新聞文章”后，顯然考慮采取一些措施，例如支付圖書許可費用，甚至直接收購一家大型出版商。