種種跡象顯示，目前站在全世界AI領域潮頭浪尖的這些公司，早在幾年前就已經陷入對訓練語料的“絕望”追逐中——為此他們不惜修改政策條款、無視互聯網信息的使用規則，隻為讓自傢的產品更加先進一些。
《紐約時報》在本周末刊發的調查報道中，揭露OpenAI、Google、Meta等公司為獲取訓練語料所采取的一些“走捷徑”措施，同時也展現整個行業迫在眉睫的困境。
美國科技巨頭各走“捷徑”
2021年末，正在訓練GPT-4的OpenAI遇到一個棘手的問題，公司已經耗盡互聯網上所有可靠的英文文本資源，而他們需要更多、更大規模的數據來訓練更強大的模型。
為處理這個問題，OpenAI的Whisper語音識別工具誕生——用來轉錄Google旗下視頻平臺Youtube的視頻音頻，生成大量的對話文本。
報道稱，包括OpenAI總裁佈洛克曼在內的團隊總共轉錄超過一百萬小時的Youtube視頻。隨後這些資料被輸入到GPT-4系統中，並成為聊天機器人ChatGPT的基礎。
根據Google的政策，禁止用戶將平臺上的視頻用於“獨立”應用，同時禁止通過任何自動化手段（爬蟲等）訪問其視頻。
有趣的是，在OpenAI偷偷扒Youtube視頻時，Google也在轉錄自傢流媒體平臺的內容訓練大模型——同樣冒著侵犯版權的風險。正因如此，雖然有Google員工知道OpenAI在這麼幹，也沒有出手阻止。因為一旦Google對OpenAI提出抗議，也有可能“引火燒身”到自己身上。
對於是否采用Youtube視頻訓練AI的詢問，OpenAI方面回應稱，他們使用“多個來源”的數據。Google發言人Matt Bryant則表示，公司對OpenAI的行為一無所知，且禁止任何人“未經授權抓取或下載Youtube視頻”。不過Bryant也表示，公司隻會在有明確法律、技術依據時才會采取行動。
Google自傢的條款，則允許平臺使用這些視頻開發視頻平臺的新功能，但這樣的措辭是否意味著Google能用這些資料開發商用AI，也存在不小的疑問。
與此同時，Meta的內部會議紀要顯示，工程師和產品經理討論購買美國大型出版商Simon & Schuster以獲取長文本資料的計劃，另外他們還討論從互聯網上收集受版權保護的內容，並表示“與出版商、藝術傢、音樂傢和新聞行業談判授權需要的時間太多”。
據悉，有Meta的高管表示，OpenAI似乎正在使用受版權保護的材料，所以公司也可以遵循這個“市場先例”。
更顯性的變化是，Google去年修改服務條款。根據內部資料顯示，推動隱私政策變化的動機之一，包括允許Google利用公開的Google文檔、Google地圖上的餐廳評論，以及更多在線資料開發AI產品。最終Google趕在美國國慶節（7月4日）放假前的7月1日發佈修改後的隱私條款，將“使用公開信息訓練AI模型”首次納入其中。
Bryant回應稱，公司不會在沒有用戶“明確許可”的情況下使用他們的Google文檔來訓練AI，這裡指的是自願參與的實驗性功能體驗計劃。
即便如此還是不夠
正因為這些操作，近些年來伴隨著人們對AI能力的驚嘆，越來越多的版權方也開始意識到自己的數據被偷偷拿走訓練AI。包括《紐約時報》、一些電影制作人和作傢已經將這些科技公司告上法庭，美國著作權局也正在制定版權法在AI時代的適用指南。
問題在於，即便一些作傢、制片人將科技公司的行為稱為“美國史上最大盜竊案”，科技公司用來發展下一代AI的數據依然還是不夠。
2020年初，約翰霍普金斯大學的理論物理學傢（現Anthropic首席科學官）Jared Kaplan發佈一篇論文，明確表示訓練大語言模型用的數據越多，表現就會越好。自那以後，“規模就是一切”成為人工智能行業的信條。
2020年11月發佈的GPT-3包含約3000億個Token的訓練數據。2022年，GoogleDeepMind對400個人工智能模型進行測試，其中表現最好的模型（之一），一個名為Chinchilla的模型用1.4萬億個Token的數據。到2023年，中國科學傢開發的Skywork大模型在訓練中使用3.2萬億個英文和中文Token，GooglePaLM 2的訓練數據量則達到3.6萬億個Token。
研究機構Epoch直白地表示，現在科技公司使用數據的速度已經超過數據生產的速度，這些公司最快會在2026年就耗盡互聯網上的高質量數據。
面對這樣的問題，奧爾特曼已經提出一種解決方法：像OpenAI這樣的公司，最終會轉向使用AI生成的數據（也被稱為合成數據）來訓練AI。這樣開發人員在創建愈發強大的技術同時，也會減少對受版權保護數據的依賴。
目前OpenAI和一系列機構也正在研究使用兩個不同的模型，能否共同生成更有用、更可靠的合成數據——一個系統產生數據，另一個系統對信息進行評判。當然，這種技術路徑是否可行，目前仍存爭議。
前 OpenAI 研究員Jeff Clune認為，這些AI系統所需的數據就像是穿越叢林的路徑，如果這些公司隻是在合成數據上訓練，AI可能會在叢林裡迷失。