OpenAI轉(zhuǎn)錄了超過一百萬小時的YouTube視頻來訓練GPT-4

　　近日，《華爾街日報》報道稱，人工智能公司在收集高質(zhì)量訓練數(shù)據(jù)方面遇到了困難。隨后，《紐約時報》詳細介紹了一些公司處理這一問題的方法，其中涉及到了人工智能版權(quán)法的模糊灰色區(qū)域。

　　故事從OpenAI開始。該公司迫切需要訓練數(shù)據(jù)，據(jù)報道開發(fā)了Whisper音頻轉(zhuǎn)錄模型，轉(zhuǎn)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�！都~約時報》報道稱，OpenAI知道這在法律上存在問題，但相信這是合理使用。OpenAI總裁格雷格·布羅克曼親自參與了所使用視頻的收集。

　　OpenAI發(fā)言人林賽·赫爾德告訴The Verge，該公司為每個模型策劃了"獨特"的數(shù)據(jù)集，并使用"眾多來源，包括公開數(shù)據(jù)和非公開數(shù)據(jù)的合作伙伴"。赫爾德還表示，該公司正在考慮生成自己的合成數(shù)據(jù)。

　　據(jù)《紐約時報》消息人士透露，谷歌也從YouTube收集了文字記錄。谷歌發(fā)言人馬特·布萊恩特表示，該公司"根據(jù)我們與YouTube創(chuàng)作者的協(xié)議，在一些YouTube內(nèi)容上訓練了模型"。

　　Meta同樣也遇到了良好訓練數(shù)據(jù)可用性的限制。該公司在努力追趕OpenAI的過程中，曾考慮未經(jīng)許可使用版權(quán)作品的情況，包括支付圖書許可費用或直接收購一家大型出版商。

　　這些公司正在努力應對模型訓練數(shù)據(jù)快速蒸發(fā)的問題�！度A爾街日報》本周撰文稱，到2028年，公司可能會超越新內(nèi)容。解決方案包括對模型創(chuàng)建的"合成"數(shù)據(jù)進行訓練，或采用"課程學習"方法。但這些公司的另一個選擇是使用他們能找到的任何東西，無論他們是否獲得許可，這可能會引發(fā)版權(quán)法方面的擔憂。