種種跡象顯示，目前站在全世界AI領(lǐng)域潮頭浪尖的這些公司，早在幾年前就已經(jīng)陷入對(duì)訓(xùn)練語(yǔ)料的“絕望”追逐中——為此他們不惜修改政策條款、無(wú)視互聯(lián)網(wǎng)信息的使用規(guī)則，只為了讓自家的產(chǎn)品更加先進(jìn)一些。
《紐約時(shí)報(bào)》在本周末刊發(fā)的調(diào)查報(bào)道中，揭露了OpenAI、谷歌、Meta等公司為了獲取訓(xùn)練語(yǔ)料所采取的一些“走捷徑”措施，同時(shí)也展現(xiàn)了整個(gè)行業(yè)迫在眉睫的困境。
美國(guó)科技巨頭各走“捷徑”
2021年末，正在訓(xùn)練GPT-4的OpenAI遇到了一個(gè)棘手的問(wèn)題，公司已經(jīng)耗盡了互聯(lián)網(wǎng)上所有可靠的英文文本資源，而他們需要更多、更大規(guī)模的數(shù)據(jù)來(lái)訓(xùn)練更強(qiáng)大的模型。
為了處理這個(gè)問(wèn)題，OpenAI的Whisper語(yǔ)音識(shí)別工具誕生了——用來(lái)轉(zhuǎn)錄谷歌旗下視頻平臺(tái)Youtube的視頻音頻，生成大量的對(duì)話文本。
報(bào)道稱，包括OpenAI總裁布洛克曼在內(nèi)的團(tuán)隊(duì)總共轉(zhuǎn)錄了超過(guò)一百萬(wàn)小時(shí)的Youtube視頻。隨后這些資料被輸入到GPT-4系統(tǒng)中，并成為聊天機(jī)器人ChatGPT的基礎(chǔ)。
根據(jù)谷歌的政策，禁止用戶將平臺(tái)上的視頻用于“獨(dú)立”應(yīng)用，同時(shí)禁止通過(guò)任何自動(dòng)化手段（爬蟲等）訪問(wèn)其視頻。
有趣的是，在OpenAI偷偷扒Youtube視頻時(shí)，谷歌也在轉(zhuǎn)錄自家流媒體平臺(tái)的內(nèi)容訓(xùn)練大模型——同樣冒著侵犯版權(quán)的風(fēng)險(xiǎn)。正因如此，雖然有谷歌員工知道OpenAI在這么干，也沒(méi)有出手阻止。因?yàn)橐坏┕雀鑼?duì)OpenAI提出抗議，也有可能“引火燒身”到自己身上。
對(duì)于是否采用Youtube視頻訓(xùn)練AI的詢問(wèn)，OpenAI方面回應(yīng)稱，他們使用了“多個(gè)來(lái)源”的數(shù)據(jù)。谷歌發(fā)言人Matt Bryant則表示，公司對(duì)OpenAI的行為一無(wú)所知，且禁止任何人“未經(jīng)授權(quán)抓取或下載Youtube視頻”。不過(guò)Bryant也表示，公司只會(huì)在有明確法律、技術(shù)依據(jù)時(shí)才會(huì)采取行動(dòng)。
谷歌自家的條款，則允許平臺(tái)使用這些視頻開(kāi)發(fā)視頻平臺(tái)的新功能，但這樣的措辭是否意味著谷歌能用這些資料開(kāi)發(fā)商用AI，也存在不小的疑問(wèn)。
與此同時(shí)，Meta的內(nèi)部會(huì)議紀(jì)要顯示，工程師和產(chǎn)品經(jīng)理討論了購(gòu)買美國(guó)大型出版商Simon &Schuster以獲取長(zhǎng)文本資料的計(jì)劃，另外他們還討論了從互聯(lián)網(wǎng)上收集受版權(quán)保護(hù)的內(nèi)容，并表示“與出版商、藝術(shù)家、音樂(lè)家和新聞行業(yè)談判授權(quán)需要的時(shí)間太多了”。
據(jù)悉，有Meta的高管表示，OpenAI似乎正在使用受版權(quán)保護(hù)的材料，所以公司也可以遵循這個(gè)“市場(chǎng)先例”。
更顯性的變化是，谷歌去年修改了服務(wù)條款。根據(jù)內(nèi)部資料顯示，推動(dòng)隱私政策變化的動(dòng)機(jī)之一，包括允許谷歌利用公開(kāi)的谷歌文檔、谷歌地圖上的餐廳評(píng)論，以及更多在線資料開(kāi)發(fā)AI產(chǎn)品。最終谷歌趕在美國(guó)國(guó)慶節(jié)（7月4日）放假前的7月1日發(fā)布了修改后的隱私條款，將“使用公開(kāi)信息訓(xùn)練AI模型”首次納入其中。
Bryant回應(yīng)稱，公司不會(huì)在沒(méi)有用戶“明確許可”的情況下使用他們的谷歌文檔來(lái)訓(xùn)練AI，這里指的是自愿參與的實(shí)驗(yàn)性功能體驗(yàn)計(jì)劃。
即便如此還是不夠
正因?yàn)檫@些操作，近些年來(lái)伴隨著人們對(duì)AI能力的驚嘆，越來(lái)越多的版權(quán)方也開(kāi)始意識(shí)到自己的數(shù)據(jù)被偷偷拿走訓(xùn)練AI了。包括《紐約時(shí)報(bào)》、一些電影制作人和作家已經(jīng)將這些科技公司告上法庭，美國(guó)著作權(quán)局也正在制定版權(quán)法在AI時(shí)代的適用指南。
問(wèn)題在于，即便一些作家、制片人將科技公司的行為稱為“美國(guó)史上最大盜竊案”，科技公司用來(lái)發(fā)展下一代AI的數(shù)據(jù)依然還是不夠。
2020年初，約翰霍普金斯大學(xué)的理論物理學(xué)家（現(xiàn)Anthropic首席科學(xué)官）Jared Kaplan發(fā)布了一篇論文，明確表示訓(xùn)練大語(yǔ)言模型用的數(shù)據(jù)越多，表現(xiàn)就會(huì)越好。自那以后，“規(guī)模就是一切”成為了人工智能行業(yè)的信條。
2020年11月發(fā)布的GPT-3包含約3000億個(gè)Token的訓(xùn)練數(shù)據(jù)。2022年，谷歌DeepMind對(duì)400個(gè)人工智能模型進(jìn)行測(cè)試，其中表現(xiàn)最好的模型（之一），一個(gè)名為Chinchilla的模型用了1.4萬(wàn)億個(gè)Token的數(shù)據(jù)。到2023年，中國(guó)科學(xué)家開(kāi)發(fā)的Skywork大模型在訓(xùn)練中使用了3.2萬(wàn)億個(gè)英文和中文Token，谷歌PaLM 2的訓(xùn)練數(shù)據(jù)量則達(dá)到3.6萬(wàn)億個(gè)Token。
研究機(jī)構(gòu)Epoch直白地表示，現(xiàn)在科技公司使用數(shù)據(jù)的速度已經(jīng)超過(guò)數(shù)據(jù)生產(chǎn)的速度，這些公司最快會(huì)在2026年就耗盡互聯(lián)網(wǎng)上的高質(zhì)量數(shù)據(jù)。
面對(duì)這樣的問(wèn)題，奧爾特曼已經(jīng)提出了一種解決方法：像OpenAI這樣的公司，最終會(huì)轉(zhuǎn)向使用AI生成的數(shù)據(jù)（也被稱為合成數(shù)據(jù)）來(lái)訓(xùn)練AI。這樣開(kāi)發(fā)人員在創(chuàng)建愈發(fā)強(qiáng)大的技術(shù)同時(shí)，也會(huì)減少對(duì)受版權(quán)保護(hù)數(shù)據(jù)的依賴。
目前OpenAI和一系列機(jī)構(gòu)也正在研究使用兩個(gè)不同的模型，能否共同生成更有用、更可靠的合成數(shù)據(jù)——一個(gè)系統(tǒng)產(chǎn)生數(shù)據(jù)，另一個(gè)系統(tǒng)對(duì)信息進(jìn)行評(píng)判。當(dāng)然，這種技術(shù)路徑是否可行，目前仍存爭(zhēng)議。
前 OpenAI 研究員Jeff Clune認(rèn)為，這些AI系統(tǒng)所需的數(shù)據(jù)就像是穿越叢林的路徑，如果這些公司只是在合成數(shù)據(jù)上訓(xùn)練，AI可能會(huì)在叢林里迷失。
