先做个广告：如需代注册GPT帐号或代充值ChatGPT4会员，请添加站长客服微信：gpt-app
AI大模型的“进化”离不开大量的数据训练，而在这个领域，一些大公司为了获取高质量的训练数据，甚至不惜涉足“灰色地带”。最近，《纽约时报》就披露了一些AI巨头们在数据获取方面的一些做法。
推荐使用ChatGPT中文版，国内可直接访问：https://ai.p6p6.cn
OpenAI为了训练其最先进的大模型GPT-4，此前开发了一个名为Whisper的音频转录模型。据报道，OpenAI转录了超过一百万小时的YouTube视频，以此来训练GPT-4。《纽约时报》指出，虽然公司知道这样做在法律上可能有问题，但他们认为这属于合理使用。OpenAI的总裁Greg Brockman甚至亲自参与了视频的收集工作。
OpenAI的发言人Lindsay Held在给《Verge》杂志的一封电子邮件中表示，公司为每个模型策划“独特”的数据集，以“帮助它们理解世界”，并保持其全球研究的竞争力。Held补充说，公司使用“多种来源，包括公开可用的数据和非公开数据的合作伙伴关系”，并且正在研究生成自己的合成数据。
《纽约时报》的文章提到，公司在2021年就用尽了有用的数据资源，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能性。到那时为止，它已经训练了其模型，使用了包括来自Github代码、Quizlet的作业内容等数据。
谷歌的发言人Matt Bryant在给《Verge》的电子邮件中表示，公司“看到了未经证实的关于OpenAI活动的报告”，并补充说，“我们的robots.txt文件和服务条款禁止未经授权的抓取或下载YouTube内容”，这与公司的使用条款相呼应。YouTube的首席执行官Neal Mohan本周在谈到OpenAI可能使用YouTube来训练其Sora视频生成模型的可能性时也发表了类似的看法。Bryant表示，谷歌会在“有明确的法律或技术依据时”采取“技术和法律措施”来防止这种未经授权的使用。
除了OpenAI，谷歌也从YouTube收集了转录文本。Bryant表示，公司已经“根据与YouTube创作者的协议”在一些YouTube内容上训练了其模型。
谷歌的法务部门要求公司的隐私团队调整其政策文件，以扩大其可以使用消费者数据的范围，比如Google Docs这样的办公工具。
Meta也遇到了优质训练数据可用性的限制，其AI团队讨论了在努力赶上OpenAI时未经许可使用受版权保护的作品。在浏览了“几乎互联网上所有可用的英语书籍、文章、诗歌和新闻文章”之后，该公司显然考虑过采取一些措施，比如支付书籍许可费或者直接购买大型出版社。
参考：
https://www.theverge.com/2024/4/6/24122915/openai-youtube-transcripts-gpt-4-training-data-google
本文链接：https://yeziwang.cc/openai_241.html
chatgpt发送按钮点不了chatgpt4.0哪个公司开发的chatgpt检测工具要引进了吗chatgpt plus付款需要什么卡chatgpt web 怎么安装chatgpt 基金知乎chatgpt工具箱具体功能怎么利用chatgpt写商品描述苹果怎么连接chatgpt和chatgpt 一样的软件有什么
