据外媒报道，OpenAI 使用所有公开可用的数据来训练 ChatGPT，包括来自互联网的书籍和文章。现在，拥有这些数据的机构希望为他们的工作获得报酬。
训练数据是构建正在席卷科技领域的 AI 模型的重要组成部分。谷歌、Meta、OpenAI、Anthropic 和微软等领先科技公司都在争相寻找新的数据来源。Meta 甚至一度考虑收购世界上最大的出版商之一西蒙舒斯特。
版权争议：数据使用引发争议
问题的一部分在于，出版商越来越多地指责这些公司窃取受版权保护的数据。他们希望为自己的工作获得报酬。Meta 和 OpenAI 在向美国版权局提交的评论中辩称，将受版权保护的材料放在互联网上使其公开可用，因此属于合理使用。但他们的说法在法庭上受到挑战，因为他们面临来自多个团体的有关版权材料的诉讼。
案例分析：调查报道中心与 OpenAI 的诉讼
调查报道中心 (CIR) 是一家非营利性新闻机构，今年早些时候与 Mother Jones 和 Reveal 合并。上周，CIR 在联邦法院起诉了 OpenAI 和微软，指控 OpenAI 利用包括 CIR 在内的全球创作者的版权作品来训练其 GPT 和 Copilot AI 模型。
CIR 的律师指控 OpenAI 和微软使用 Mother Jones 的版权材料来训练他们的 GPT 和 Copilot AI 模型，而没有征得许可或提供赔偿。CIR 首席执行官莫妮卡·鲍尔莱因在一份关于诉讼的声明中表示：「这种搭便车行为不仅不公平，而且侵犯了版权。」
其他诉讼：作家协会和《纽约时报》
除了调查报道中心的诉讼，作家协会也提起了一项集体诉讼，两位作家声称 OpenAI 利用他们书中的信息来训练 ChatGPT。《纽约时报》也在 2023 年 12 月对 OpenAI 提起了类似的诉讼。
OpenAI 的回应：部分许可协议和未来方向
面对这些版权争议，OpenAI 已开始与新闻机构签署许可协议，以公平使用其作品，已与美联社、《华尔街日报》和《纽约邮报》的出版商、《大西洋月刊》、Prisa Media、《世界报》、《金融时报》和 Business Insider 母公司 Axel Springer 签署了此类协议。
然而，这些机器人持续学习所需的内容规模将远远超过少数几份许可协议。OpenAI 正探索两种方式来解决数据来源问题：合成数据和人工智能模型协同工作。
合成数据和模型协同工作：未来趋势
合成数据是人工生成的，而非从现实世界收集的。OpenAI 将合成数据视为训练其模型的一种选择，但首席执行官 Sam Altman 对生成高质量数据表示担忧。他认为，如果能够生成足够智能的模型，能够生成优质的合成数据，那么将是一个很好的解决方案。
OpenAI 也在探索人工智能模型协同工作的过程，即一个人工智能系统生成数据，另一个人工智能系统对其进行判断。这是一种更复杂的方法，但可能会提供更可靠和更具创造性的数据来源。
OpenAI 尚未对此事发表评论。
