AI企業はトレーニングデータにプレミアムパブリッシャーを頼りにしていることが新たな調査で判明

OpenAI、Google、Meta、Anthropic などの主要なテクノロジー企業は、大規模言語モデル (LLM) をトレーニングするために、著名な出版社の高品質で著作権で保護された素材に依存しています。. 

これは 調査による 、質の高いコンテンツがAIモデルのトレーニングにおいて重要な役割を果たすことを示しています。この調査によると、AI企業ではモデルのパフォーマンス向上を目的として、トレーニングデータセットに信頼できる情報源が好まれていますが、これらの情報源の貢献はしばしば見過ごされています。

調査の中で、ジフ・デイビスのAI弁護士ジョージ・ウーコソン氏と最高技術責任者ジョーイ・フォーチュナ氏は、AI企業は検索エンジンで上位にランクインする権威あるウェブサイトのランキングに基づいてトレーニングデータを選択していると主張しました。評判が良いため、高品質で人気のあるウェブサイトがモデルの改良に選ばれました。調査によると、この戦略により、AI開発者は言語モデルを微調整することが可能になります。.

Ziff Davisは、Axel Springer、Future PLC、Hearst、News Corp、The New York Timesといった一流コンテンツプロバイダーがトレーニングデータセットの開発に貢献したことを指摘しています。特に、OpenAIのGPT-3の作成に使用されたOpenWebText2の12.04%が、これらの信頼できる出版社から提供されたことがdentしています。.

マーク・ザッカーバーグ氏も、AIトレーニングにおけるコンテンツ利用をめぐる議論について意見を述べた。The 最近のインタビュー 、ザッカーバーグ氏はAIのためのデータ収集は困難であることを認めつつも、個々のクリエイターや出版社のコンテンツはそれほど大きな影響力を持たないかもしれないと指摘した。彼は「個々のクリエイターや出版社は、この全体像の中で自分たちのコンテンツの価値を過大評価しがちだと思う」と述べた。 

出版社がAI企業を提訴

学習用データソースの秘密主義は、出版社と消費者の双方から懸念を引き起こしている。ニューヨーク・タイムズとウォール・ストリート・ジャーナルは最近、AI企業が自社のコンテンツを使用することで著作権法に違反しているとして、AI企業を相手取って訴訟を起こした。. 

OpenAIはフィナンシャル・タイムズやドットダッシュ・メレディスといったメディア企業からコンテンツライセンスを取得するための取り組みを進めているものの、依然として適切なライセンスを取得せずに活動しているAI企業も複数存在する。報告書はさらに、 「主要なLLM開発企業は、かつてのようにトレーニングデータを公開しなくなった」と述べている。 

AI企業の評価額​​は上昇しているものの、テクノロジー大手と従来のメディア企業との間の格差は依然として大きく、GoogleやMetaといったテクノロジー大手はそれぞれ推定2.2兆ドル、1.5兆ドルの評価額を持ち、生成型AIの最前線に君臨し続けています。一方、OpenAIやAnthropicといったスタートアップ企業の評価額​​はそれぞれ1,570億ドル、400億ドルに達しています。. 

 一方、出版社は依然として人員削減やリストラに直面しており、これはAIによってますます定義 defiれる環境への適応に伴う財政的プレッシャーの表れです。ユーザー生成コンテンツやAIベースのコンテンツとの競争の結果、多くの出版社がコスト削減と人員削減という課題に直面しています。.