最新研究发现，人工智能公司依赖优质出版商提供训练数据。

包括 OpenAI、Google、Meta 和 Anthropic 在内的主要技术公司依靠来自知名出版商的高质量、受版权保护的材料来训练其大型语言模型 (LLM)。. 

根据 一项研究 ，高质量内容在人工智能模型训练中发挥着至关重要的作用。研究表明，人工智能公司倾向于使用权威来源的数据来训练模型，以提升模型性能，但这些来源的贡献往往被忽视。

在这项研究中，Ziff Davis 的人工智能律师 George Wukoson 和首席技术官 Joey Fortuna 声称，人工智能公司会根据权威网站在搜索引擎中的排名来选择训练数据。高质量且受欢迎的网站因其良好的声誉而被选中，用于改进模型。研究表明，这种策略使人工智能开发人员能够微调语言模型。.

Ziff Davis指出，包括Axel Springer、Future PLC、Hearst、News Corp和《纽约时报》在内的顶级内容提供商都为训练数据集的开发做出了贡献。尤其dent是，用于创建OpenAI GPT-3的OpenWebText2数据集中，有12.04%的数据来自这些值得信赖的出版商。.

马克·扎克伯格也对人工智能训练中内容使用的持续争论发表了看法。在 最近 接受The Verge采访时，扎克伯格承认，为人工智能抓取数据极具挑战性，但也指出，单个创作者或出版商的内容可能并没有那么大的影响力。他表示：“我认为，在整体上，单个创作者或出版商往往会高估其特定内容的价值。” 

出版商对人工智能公司提起诉讼

训练数据来源的保密性引发了出版商和消费者的共同担忧。《纽约时报》和《华尔街日报》近期对人工智能公司提起诉讼，称其使用内容侵犯了版权。. 

尽管 OpenAI 已努力从《金融时报》和 DotDash Meredith 等媒体机构获得内容授权，但仍有一些人工智能公司在没有获得适当授权的情况下开展工作。该报告还指出， “主要的机器学习模型开发商不再像以前那样公开他们的训练数据。” 

尽管人工智能公司的估值不断攀升，但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高达2.2万亿美元和1.5万亿美元，它们仍然处于生成式人工智能领域的前沿；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，出版商仍在面临裁员和重组，这表明他们为了适应日益人工智能化的环境而 defi着巨大的财务压力。由于用户生成内容和人工智能内容的竞争，许多出版商在降低成本和裁员方面都面临着挑战。.