科技巨头未经许可使用 YouTube 字幕进行人工智能训练

苹果、英伟达和Anthropic被发现使用YouTube字幕来训练人工智能模型，这违反了YouTube的政策。Proof News和Wired的一份报告显示，这些公司未经授权使用了数千个YouTube视频的字幕数据集。. 

另请阅读： 英国监管机构对微软人工智能人才招聘展开调查

该 研究 揭示，苹果、英伟达和Anthropic公司使用了YouTube字幕数据集。该数据集包含来自48000个YouTube频道的173536个视频的字幕文本。这些视频涵盖了可汗学院和麻省理工学院等教育频道、华尔街日报等新闻频道，以及MrBeast和Marques Brownlee等知名创作者的作品。 

热门YouTube博主对数据泄露事件做出反应

知名YouTube博主马奎斯·布朗利(Marques Brownlee) 发表了评论 在X论坛上就此事 “苹果公司为了人工智能从其他公司收集数据。其中一家公司收集了大量YouTube视频的数据/文字稿，包括我的视频。” 虽然苹果公司可能并非直接抓取数据，但布朗利指出，这个问题仍将持续存在。

“YouTube 字幕”数据集由 EleutherAI 开发，并于 2020 年发布。它包含 5.7GB 的数据，其中包括已从 YouTube 平台删除的视频的字幕。. 

根据 YouTube 的条款和条件，禁止通过“自动化方式”访问视频。被删除视频中仍然存在字幕，这更加剧了问题的严重性，引发了关于隐私和版权侵权的质疑。.

Salesforce 也是此次调查中牵涉到的一家公司，该公司也承认使用了上述数据集。. 

“该研究论文中提到的Pile数据集于2021年训练完成，用于学术和研究目的。该数据集已公开，并以宽松的许可协议发布。”

Salesforce发言人 

然而，未经许可使用 YouTube 内容至今仍存在争议。今年 4 月，YouTube 首席执行官尼尔·莫汉 (Neal Mohan) 表示，使用 YouTube 视频、文字稿或片段进行人工智能训练“明显违反”了其政策。然而，据《纽约时报》报道，OpenAI 使用了 100 万小时的 YouTube 视频来训练其 GPT-4 模型。. 

人工智能公司使用互联网内容引发法律纠纷

ChatGPT发布后，人工智能公司未经授权使用互联网内容的问题日益增多。此外，内容创作者还起诉Stability AI和Midjourney，指控其未经许可抓取受版权保护的作品。YouTube的母公司谷歌也曾面临类似的集体诉讼，并表示此类法律行动威胁到生成式人工智能的根基。. 

在 采访 接受《华尔街日报》 表示 开放网络上的内容一直被视为合理使用trac”，