- OpenAI 和 Google 等主要 AI 公司正利用顶级出版渠道的文章来训练语言模型。
- 根据 Ziff Davis 进行的一项研究，这些来源是根据搜索排名进行筛选的。
- 出版商担心 AI 公司在未经许可的情况下使用其内容。
包括 OpenAI、Google、Meta 和 Anthropic 在内的主要科技公司，依赖来自知名出版商的高质量受版权保护材料来训练其大型语言模型 (LLM)。
根据Ziff Davis（CNET、IGN和Mashable的母公司）进行的一项研究，高质量内容在训练这些AI模型中发挥着至关重要的作用。该研究表明，为了提升模型性能，AI公司更倾向于使用权威来源作为训练数据集，但这些来源的贡献往往被忽视。
在该研究中，Ziff Davis 的 AI 律师 George Wukoson 和首席技术官 Joey Fortuna 声称，AI 公司选择训练数据时依据的是具有高搜索引擎排名的权威网站排名。为了提高模型性能，他们选择了高质量且受欢迎的网站，因为这些网站拥有良好的声誉。据该研究称，这一策略使 AI 开发者能够微调语言模型。
Ziff Davis 指出，Axel Springer、Future PLC、Hearst、News Corp 和《纽约时报》等顶级内容提供商已为训练数据集的开发做出了贡献。特别是，研究发现，用于创建 OpenAI GPT-3 的 OpenWebText2 数据集中有 12.04% 来自这些可信赖的出版商。
马克·扎克伯格也参与了关于AI训练中内容使用的持续辩论。他在接受《The Verge》的近期采访中表示，承认为AI进行数据抓取具有挑战性，但也指出个人创作者或出版商的内容可能并不那么具有影响力。他声明：“我认为，个人创作者或出版商往往会高估其特定内容在这一宏大格局中的价值。”
出版商对人工智能公司提起诉讼
训练数据来源的不透明性引发了出版商和消费者的担忧。《纽约时报》和《华尔街日报》最近对人工智能公司提起诉讼，称其使用自身内容违反了版权法。
尽管OpenAI已积极推进从《金融时报》和DotDash Meredith等媒体机构获取内容授权，但仍有几家AI公司在未获得适当授权的情况下开展工作。报告进一步指出，“大型大语言模型开发者不再像过去那样披露其训练数据。”
随着人工智能公司估值不断攀升，科技巨头与传统媒体公司之间的差距依然巨大。谷歌和 Meta 等科技巨头的估值分别约为 2.2 万亿美元和 1.5 万亿美元，它们仍处于生成式人工智能的前沿；而 OpenAI 和 Anthropic 等初创公司的估值则分别为 1570 亿美元和 400 亿美元。
另一方面，出版商仍在应对裁员和重组，这证明了在日益由人工智能定义的环境中调整所带来的财务压力。由于与用户生成内容和基于人工智能的内容竞争，众多出版商在降低成本和人员方面面临挑战。
如果您正在阅读这篇文章，说明您已经领先一步。请继续通过我们的通讯保持关注。
免责声明。 本文提供的信息不构成交易建议。 Cryptopolitan.com 对于基于本页信息进行的任何投资，我们不承担任何责任。我们强烈建议在进行任何投资决策之前，进行独立研究或咨询合格的专业人士。
Brenda Kanana
Brenda 拥有 4 年以上专注于加密货币、人工智能及新兴技术的经验。她曾就职于 Zycrypto、Blockchain Reporter 和 The Coin Republic，如今以 Cryptopolitan 为家。她在蒙巴萨技术大学获得的社会学学位使她能够始终把握读者的脉搏。
