涉17万个视频！英伟达等巨头被曝违规使用YouTube数据训练模型
澎湃新闻记者 胡含嫣
科技巨头被曝使用未经授权的YouTube内容训练AI(人工智能)模型。
当地时间7月16日，据外媒报道，包括苹果、英伟达、Salesforce和Anthrophic在内的一些大型科技公司，被曝在训练AI模型时使用了来自谷歌旗下视频网站YouTube的未授权数据。这些公司使用了一个由第三方提供的数据集，其中包含从YouTube上抓取的大量视频字幕文本，违反了YouTube禁止从平台上未经许可抓取内容的规定。
报道指出，这些科技公司在训练AI模型时都使用了一个名为“YouTube Subtitles(YouTube字幕)”的数据集，大小为5.7GB，包含4.89亿个单词，来自Youtube上超过4.8万个频道中的17.35万个视频。该数据集由视频字幕的纯文本组成，包括视频博主上传的部分和Youtube自动转录的文本，除了英语外，通常还附带日语、德语和阿拉伯语等语言的翻译。
非营利性组织EleutherAI是争议数据集的创作者，公司尚未对此事作出回应。根据官网介绍，EleutherAI的目标是“降低AI开发的门槛，通过训练和发布模型，让大家接触到尖端的AI技术”。此前，EleutherAI发布了名为“Pile”的数据汇编，其中的大部分数据集都是对公众开放的，包括YouTube Subtitles。
资料显示，在苹果于今年4月发布端侧小模型OpenELM模型的几周之前，公司就使用了Pile进行训练。不过，值得注意的是，苹果自己并没有下载这些数据。因此，从技术层面来说，是EleutherAI违反了YouTube的使用条款。
AI初创公司Anthropic的一位发言人证实，Pile数据集已被用于训练公司的生成式AI助手Claude，而YouTube的相关条款仅涉及“直接使用其平台”，建议与Pile的原作者讨论任何违反YouTube服务条款的行为。苹果、英伟达、Salesforce等其他公司尚未对此事作出回应。
此次事件影响到的创作者包括Marques Brownlee、MrBeast和PewDiePie等知名博主，以及《纽约时报》、英国广播公司(BBC)和美国ABC News等大型新闻出版商。另外，数据集中的一些材料宣传了“地平说”等阴谋论，甚至还包含了已被删除的视频的内容。现在，Pile已从官方下载网站上下架，但仍可通过文件共享服务访问。
对此，知名科技博主Marques Brownlee在X(原推特)平台上表示：“苹果从几家公司获取了他们AI所需的数据，其中一家从YouTube视频中抓取了大量数据/转录文本，包括我的视频。从技术上来说苹果没有‘犯错’，他们没有主动抓取数据。但这将是一个长期存在的问题。”
虽然苹果和其他公司或许是使用了公开的数据集，并没有违规行为，但此次事件让人们又一次关注到AI训练背后的数据问题。今年年初，YouTube的母公司谷歌被曝利用该平台的视频来训练旗下模型，谷歌当时回应称，这种行为没有违反平台与创作者的协议。
今年3月，OpenAI首席技术官米拉・穆拉蒂(Mira Murati)在接受采访时还曾对文生视频模型Sora的训练数据来源含糊其词。4月，YouTube首席执行官尼尔・莫汉(Neal Mohan)在采访中表示，他并没有直接证据能够证明OpenAI确实使用了YouTube的视频来完善其文生视频AI工具Sora，如果真的使用了，那就“明显违反”了YouTube平台的使用条款。
旅行推销员问题是一个经典的数学问题，也是一个组合优化问题。德国柏林弗雷大学和亥姆霍兹柏林能源与材料研究中心（HZB）科学家开展的一项新研究证明，量子计算机在解决旅行推销员问题上，相较于传统 记者3月21日从核工业北京地质研究院（以下简称核地研院）获悉，该院自1959年成立以来，在天然铀保障、高放废物地质处置、核遥感技术与应用、分析测试等领域科技攻关，以及重点工程建设、国际合作交流 记者3月21日从中国科学技术大学获悉，该校物理学院张斗国教授课题组，提出并实现了一种基于矢量光场调控原理的动量空间偏振滤波器件。该滤波器件安装于传统无标记光学显微镜后，可采集到单个纳米 3月23日消息，据最新爆料，vivo X100s Pro已经获得3C认证，估计 会在5月份前后发布。该机可以看做是vivo X100 Pro的小迭代机型，属于半代升级款，与去年X90s类似。新机从此前的天玑9300升级为天玑9300+，处 3月23日消息，vivo X Fold3系列将于3月26日正式发布，成为全球首款骁龙8 Gen3折叠屏电话。现在这款新机外观已经解禁，下面为大家带来图赏。vivo X Fold3提供了薄翼黑和轻羽白两种配色，后壳手感顺滑，触感 3月24日是第29个世界防治结核病日，我国的宣传主题是“你我共同努力，终结结核流行”。在北京大学社会化媒体研究中心21日举办的“技术升级，加速我国终结结核流行进程”主题沙龙上，中国疾控中心结 。本文链接：涉17万个视频！英伟达等巨头被曝违规使用YouTube数据训练模型http://www.sushuapos.com/show-2-7656-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： Shift Up上市背后：灵魂人物金亨泰与“伯乐”腾讯
下一篇： AI眼中的中国｜今日大暑，万物盛极