>p<为了训练大型语言模型,OpenAI、Meta、谷歌、微软等公司未经许可,从互联网上收割了数百万受版权保护的作品,在版权法的灰色地带中游弋。>/p<>p<如今,OpenAI 目前正面临大量的官司,>strong<原告称该公司>/strong<>strong<训练数据>/strong<>strong<集中的大多数书籍来自盗版来源和非授权网站>/strong<。一旦被判侵权,公司有可能将面临巨额罚款或重构算法的局面。这也导致,如今 AI 公司越来越不愿意分享 AI 训练数据的详细信息。>/p<>p<但一些公开的盗版语料库已经被盯上。>/p<>p<近日,有人发现一个叫 Book3 的数据集,>strong<包含近 20 万本书籍,囊括村上春树、史蒂芬·金等畅销书作家的著作>/strong<,这个数据集被用在了训练 AI 模型上,最近遭到反盗版组织的反复攻击。>/p<>p<版权问题这把利刃,正悬在 AI 公司们的头上,有摇摇欲坠之势。>/p<>p< >/p<>h2<Books3,AI 公司的秘密>/h2<>p<一直以来,对于 AI 模型的训练数据并不完全透明。今年,多名美国作家针对 OpenAI 提起了集体诉讼,指控其使用盗版书籍来训练其语言模型,侵犯版权并违反了多项法律。>/p<>p<这些作家主张的证据很简单,因为些他们从未同意 OpenAI 使用他们的作品,然而 ChatGPT 却能提供他们作品的准确摘要,这让他们认为这些信息肯定是从某个地方获取的。>/p<>p<根据早期 GPT 版本的研究论文,>strong<其>/strong<>strong<训练数据>/strong<>strong<集有部分来自于「两个基于互联网的书籍语料库」,它们被简单地称为「Books1」和「Books2」>/strong<,这些数据集具体包含哪些作品比较含糊。
ARTICLE
/
极客公园
实锤!村上春树、史蒂芬·金盗版书成训练数据,AI 巨头无一幸免
2023年08月22日 12:03 · 来自 极客公园