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。
记者3月18日从安徽明天氢能科技股份有限公司（以下简称明天氢能）获悉，国家电网近日向明天氢能及董事长王朝云分别授予科学技术进步奖一等奖，获奖项目为“大规模氢电一体化站关键技术、核心装备及 根据《天体物理学杂志》的最新报道，一个国际天文学家团队利用欧洲空间局的盖亚（Gaia）太空望远镜收集的数据，创建了迄今为止最庞大的三维宇宙地图。该地图涵盖了大约130万个活跃类星体的精确空间 21世纪经济报道记者 蔡姝越 上海报道舆论高度关注的游族网络（002174.SZ）投毒案，幕后主使许垚如何量刑有了最新进展。3月22日，上海市第一中级人民法院（以下简称上海一中院）宣判被告人许垚故 南方财经全媒体记者马嘉璐 广州报道如何划分一般数据、重要数据、核心数据终于有了国标版“参考答案”。3月21日，国家标准GB/T 43697-2024《数据安全技术 数据分类分级规则》（以下简 记者3月21日从安徽农业大学获悉，该校生命科学学院韩毅教授课题组与国内外专家合作，发现了植物避盐性的关键基因。该研究对于提高植物耐盐性，帮助盐碱地下的农作物稳产具有重要理论指导意义。相 所谓香喷喷的婴儿，到底是源于人们的爱意，还是说确有其香？《通讯·化学》21日一项小型研究首次分析了婴儿和青少年体味化学组成的差异。研究显示，有两种较难闻的化合物仅在青少年体味样本中 。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