科技巨頭被曝使用未經(jīng)授權(quán)的YouTube內(nèi)容訓(xùn)練AI（人工智能）模型。

當(dāng)?shù)貢r(shí)間7月16日，據(jù)外媒報(bào)道，包括蘋果、英偉達(dá)、Salesforce和Anthrophic在內(nèi)的一些大型科技公司，被曝在訓(xùn)練AI模型時(shí)使用了來自谷歌旗下視頻網(wǎng)站YouTube的未授權(quán)數(shù)據(jù)。這些公司使用了一個(gè)由第三方提供的數(shù)據(jù)集，其中包含從YouTube上抓取的大量視頻字幕文本，違反了YouTube禁止從平臺上未經(jīng)許可抓取內(nèi)容的規(guī)定。

報(bào)道指出，這些科技公司在訓(xùn)練AI模型時(shí)都使用了一個(gè)名為“YouTube Subtitles（YouTube字幕）”的數(shù)據(jù)集，大小為5.7GB，包含4.89億個(gè)單詞，來自Youtube上超過4.8萬個(gè)頻道中的17.35萬個(gè)視頻。該數(shù)據(jù)集由視頻字幕的純文本組成，包括視頻博主上傳的部分和Youtube自動(dòng)轉(zhuǎn)錄的文本，除了英語外，通常還附帶日語、德語和阿拉伯語等語言的翻譯。

非營利性組織EleutherAI是爭議數(shù)據(jù)集的創(chuàng)作者，公司尚未對此事作出回應(yīng)。根據(jù)官網(wǎng)介紹，EleutherAI的目標(biāo)是“降低AI開發(fā)的門檻，通過訓(xùn)練和發(fā)布模型，讓大家接觸到尖端的AI技術(shù)”。此前，EleutherAI發(fā)布了名為“Pile”的數(shù)據(jù)匯編，其中的大部分?jǐn)?shù)據(jù)集都是對公眾開放的，包括YouTube Subtitles。

資料顯示，在蘋果于今年4月發(fā)布端側(cè)小模型OpenELM模型的幾周之前，公司就使用了Pile進(jìn)行訓(xùn)練。不過，值得注意的是，蘋果自己并沒有下載這些數(shù)據(jù)。因此，從技術(shù)層面來說，是EleutherAI違反了YouTube的使用條款。

AI初創(chuàng)公司Anthropic的一位發(fā)言人證實(shí)，Pile數(shù)據(jù)集已被用于訓(xùn)練公司的生成式AI助手Claude，而YouTube的相關(guān)條款僅涉及“直接使用其平臺”，建議與Pile的原作者討論任何違反YouTube服務(wù)條款的行為。蘋果、英偉達(dá)、Salesforce等其他公司尚未對此事作出回應(yīng)。

此次事件影響到的創(chuàng)作者包括Marques Brownlee、MrBeast和PewDiePie等知名博主，以及《紐約時(shí)報(bào)》、英國廣播公司（BBC）和美國ABC News等大型新聞出版商。另外，數(shù)據(jù)集中的一些材料宣傳了“地平說”等陰謀論，甚至還包含了已被刪除的視頻的內(nèi)容?，F(xiàn)在，Pile已從官方下載網(wǎng)站上下架，但仍可通過文件共享服務(wù)訪問。

對此，知名科技博主Marques Brownlee在X（原推特）平臺上表示：“蘋果從幾家公司獲取了他們AI所需的數(shù)據(jù)，其中一家從YouTube視頻中抓取了大量數(shù)據(jù)/轉(zhuǎn)錄文本，包括我的視頻。從技術(shù)上來說蘋果沒有‘犯錯(cuò)’，他們沒有主動(dòng)抓取數(shù)據(jù)。但這將是一個(gè)長期存在的問題。”

Marques Brownlee的推文。來源：X平臺

雖然蘋果和其他公司或許是使用了公開的數(shù)據(jù)集，并沒有違規(guī)行為，但此次事件讓人們又一次關(guān)注到AI訓(xùn)練背后的數(shù)據(jù)問題。今年年初，YouTube的母公司谷歌被曝利用該平臺的視頻來訓(xùn)練旗下模型，谷歌當(dāng)時(shí)回應(yīng)稱，這種行為沒有違反平臺與創(chuàng)作者的協(xié)議。

今年3月，OpenAI首席技術(shù)官米拉·穆拉蒂（Mira Murati）在接受采訪時(shí)還曾對文生視頻模型Sora的訓(xùn)練數(shù)據(jù)來源含糊其詞。4月，YouTube首席執(zhí)行官尼爾·莫漢（Neal Mohan）在采訪中表示，他并沒有直接證據(jù)能夠證明OpenAI確實(shí)使用了YouTube的視頻來完善其文生視頻AI工具Sora，如果真的使用了，那就“明顯違反”了YouTube平臺的使用條款。