Rain科技7月17日消息，据媒体报道，多家科技巨头，包括英伟达、苹果、Salesforce和Anthropic等，被曝光涉嫌违规使用数据训练其AI模型。
这些公司被发现使用了超过173536个YouTube视频的字幕数据，而这些数据的获取并未得到视频创作者的许可。
这些公司所使用的数据集名为“YouTube Subtitles”，由非营利组织EleutherAI创建，该数据集包含了来自超过48000个频道的视频文本。
其中不乏知名教育机构和媒体公司的内容，例如可汗学院、麻省理工学院、哈佛大学等，此外，一些广受欢迎的YouTube创作者，如MrBeast等的视频也被包括在内。这意味着这些科技巨头不仅利用了公众视频内容，还可能包含了学生学习资料、专业学术研究成果以及原创视频内容。
此前，EleutherAI发布了名为“Pile”的数据汇编，其中大部分数据集都是对公众开放的，包括YouTube Subtitles。但是，这些数据集的获取并未得到所有原始数据的权利人授权，这引发了关于数据版权和隐私的争议。
值得注意的是，苹果在使用Pile数据集训练OpenELM模型时，并未直接下载数据，因此从技术层面上来看，是EleutherAI违反了YouTube的使用条款。但是，苹果公司作为最终受益者，并未尽到监管数据来源的责任，也为这场争议带来了更多的不确定性。
YouTube明确禁止未经授权从平台获取素材，同时这些数据不仅用于训练AI，还可能涉及到版权和隐私问题。例如，一些视频可能包含个人信息，例如姓名、地址或其他敏感数据，使用这些数据训练AI模型可能会造成潜在的隐私风险。
创作者们对此表示震惊和不满，因为他们并未被告知自己的作品被用于商业目的，更遑论从中获得任何补偿。这无疑引发了关于数据权益和商业利益的伦理问题，也为AI模型训练数据获取的规范化提出了新的挑战。
