AI侵权又来了……
最新消息，苹果、英伟达、Anthropic等大型AI公司被曝违规使用油管数据训练模型。
来自48000个频道的173536个视频的字幕，在博主不知情情况下，被喂给了世界上最先进的AI们。
范围波及可汗学院、MIT、华尔街日报、吉米秀以及大V博主等频道。
但是！
油管现在可能还没法直接起诉这些公司……
因为他们不是自己上手去扒数据，而是通过一个公开数据集。
非营利组织Eleuther AI收集了这些数据，供AI研究和开发使用。
熟悉的感觉又来了——当初艺术家因不满自己的作品被用于AI模型训练，但数据集也不是AI公司自己上手扒的，而是来自非营利机构LAION。
有人就说，几乎所有模型都是在未经授权情况下使用数据训练的……这件事如果能让更多人意识到数据所有权的问题，那也算件好事。
目前，英伟达拒绝置评，苹果未予回应。
油管字幕数据是座“金矿”
这次被发现涉嫌违规使用油管数据的公司有：苹果、英伟达、Anthropic、Saleforeces、Databricks等。
发现这件事的机构是Proof News。
他们构建了一个工具，可以让博主自行搜索自己的视频是否被用于训练模型。
Anthropic方面已对此做出回应：
这个数据集确实包含油管上的一小部分字幕。但是油管的规定是直接使用会侵权，这和使用数据集不是一个性质，我们建议去询问数据集的作者。
Salesforce表示确实使用该数据集训练了用于学术研究目的的模型，并强调该数据集是公开可用的。
该数据集的提供方是Eleuther AI，他们曾推出了60亿参数的GPT-J，在当时被认为是最逼近于GPT-3的开源模型。
在2020年，他们发布了一个名为“Pile”的开源数据集，包含油管、维基百科等数据，供AI研究人员和开发者使用。如上几家公司提到的数据集，说的就是它。
目前Eleuther AI也未对此事做出回应。
一些发现被侵权的博主已经发声，表示这就是砸饭碗呀。
另外，这些被使用的数据也存在风险，Proof News表示油管上的字幕数据不少都包含脏话、偏见等。
但不可否认，油管上的数据是座“金矿”。
今年早些时候，OpenAI被曝使用语音模型转录了100万小时的油管视频来训练GPT-4。《纽约时报》说它们在2021年已经用完了所有可用数据，并讨论了把播客、油管视频等有声数据转成文字数据来使用。
网友：这也无解呀
实际上，AI侵权的类似案例已经不少了，比如之前艺术家不满Stability AI，情况几乎一模一样。
有人就觉得，这也不是大型公司在背后操控，现在似乎没有很好的解决办法。
对于更加直接的侵权事件，比如《纽约时报》指控OpenAI违规使用其作品训练模型，官司现在也还没有结果。
最新进展是，OpenAI要求《纽约时报》证明其作品的原创性，还要查看采访笔记等来证明每篇文章的原创性。《纽约时报》进行了反驳……
不过有意思的是，科技网站Ars Technica发现自己发在油管上的视频也被使用了。
但这些视频的文案内容是他们用AI写的。
Proof News也提到，被使用的油管数据里还包括鹦鹉学舌的视频。
也就是说，AI现在正在模仿人类、模仿英语、以及模仿其他AI……
参考链接：
[1]https://www.wired.com/story/youtube-training-data-apple-nvidia-anthropic/
[2]https://arstechnica.com/ai/2024/07/apple-was-among-the-companies-that-trained-its-ai-on-youtube-videos/
[3]https://www.proofnews.org/youtube-ai-search/
本文来自微信公众号“量子位”（ID:QbitAI），作者：明敏 ，36氪经授权发布。
