焦點(diǎn)滾動:天下再無免費(fèi)數(shù)據(jù)？“美版貼吧”向AI公司收取數(shù)據(jù)使用費(fèi)

《科創(chuàng)板日報》4月19日訊（編輯 鄭遠(yuǎn)方）AIGC熱潮下，數(shù)據(jù)重要性愈發(fā)凸顯。以ChatGPT為首的人工智能，由龐大數(shù)據(jù)集訓(xùn)練而成。如今，已有公司“揭竿而起”要求收費(fèi)，不再甘于被微軟、谷歌等科技巨頭免費(fèi)用數(shù)據(jù)。

(資料圖片)

當(dāng)?shù)貢r間周二，Reddit宣布，將向使用其API訓(xùn)練AI聊天機(jī)器人的公司收取數(shù)據(jù)使用費(fèi)，其中便包含微軟、谷歌、OpenAI等。

之前這些公司都通過應(yīng)用程序編程接口（API）下載并處理論壇上的聊天內(nèi)容，并將聊天內(nèi)容當(dāng)做免費(fèi)訓(xùn)練工具，用于開發(fā)新AI系統(tǒng)。例如，谷歌聊天機(jī)器人Bard的底層算法之一便是用Reddit聊天數(shù)據(jù)訓(xùn)練而來；OpenAI的ChatGPT也將Reddit數(shù)據(jù)納入大型語言模型的訓(xùn)練內(nèi)容。

Reddit是美國訪問量最大的網(wǎng)站之一，用戶可以在其中創(chuàng)建并分享內(nèi)容，還有人將其稱為“美國版百度貼吧”。

公司創(chuàng)始人兼首席執(zhí)行官Steve Huffman表示，“Reddit比互聯(lián)網(wǎng)上任何其他地方都更適合聊天，平臺上很多內(nèi)容是用戶只會私下說的、或壓根不會說的東西。Reddit的數(shù)據(jù)庫確實(shí)很有價值，我們沒有必要免費(fèi)提供這些價值給世界上最大的公司。”

這也是首次有社交媒體公司明確向OpenAI等收取費(fèi)用，開放訪問權(quán)用于開發(fā)人工智能系統(tǒng)。

目前，Reddit暫未公布具體收費(fèi)標(biāo)準(zhǔn)，但其表示，將會給出不同的等級，根據(jù)使用者的規(guī)模和需求來收費(fèi)。此外，這一舉措不會影響那些使用API來創(chuàng)建和維護(hù)內(nèi)容審核工具的人，Reddit會為他們提供專門的iOS和Android應(yīng)用程序。

實(shí)際上，眼下已意識到數(shù)據(jù)價值的公司并不止Reddit——圖片托管服務(wù)商Shutterstock已把圖像數(shù)據(jù)出售給OpenAI，幫助開發(fā)了DALL-E；許多公司也在使用API追蹤推特上的聊天內(nèi)容，推特計劃針對API使用收取幾萬到幾十萬美元不等的費(fèi)用。

▌數(shù)據(jù)已成“AI發(fā)展的勝負(fù)手”

為了不斷改進(jìn)AI模型，有兩個關(guān)鍵因素不可或缺：強(qiáng)大的計算能力和大量可用的數(shù)據(jù)。一些大型AI開發(fā)公司通常擁有足夠的算力，但仍會在互聯(lián)網(wǎng)上尋找改進(jìn)算法所需的數(shù)據(jù)，數(shù)據(jù)來源包括維基百科、各種數(shù)字化書籍、學(xué)術(shù)文章和Reddit論壇上的聊天內(nèi)容等。

OpenAI就曾透露，訓(xùn)練ChatGPT使用了45TB的數(shù)據(jù)、近1萬億個單詞，大概是1351萬本牛津詞典所包含的單詞數(shù)量。

知乎在日前發(fā)布大模型“知海圖AI”，其倚仗的一大有力支撐便是中文互聯(lián)網(wǎng)大量問答內(nèi)容。知乎創(chuàng)始人、董事長兼CEO周源表示，AI時代，生產(chǎn)力的三要素分別是應(yīng)用場景、專有數(shù)據(jù)和基礎(chǔ)模型。其中，知乎以問答為基礎(chǔ)的討論場景是天然的應(yīng)用場景，構(gòu)成了獨(dú)一無二的專有數(shù)據(jù)。

而彭博的BloomberGPT訓(xùn)練數(shù)據(jù)總量約為5300億次，其中金融行業(yè)數(shù)據(jù)約為2720億次，約占所有訓(xùn)練數(shù)據(jù)的54.2%，來源包括網(wǎng)絡(luò)、新聞、公司公告與財務(wù)報表以及彭博自己的新聞庫。

海量數(shù)據(jù)為基礎(chǔ)的大模型訓(xùn)練產(chǎn)生了突現(xiàn)能力（Emergent Ability），帶來AI研究范式轉(zhuǎn)變。只有在訓(xùn)練數(shù)據(jù)量足夠大時，量變才能引起質(zhì)變。而GPT相比于此前模型所具備的“泛化能力”，就是以海量數(shù)據(jù)為基礎(chǔ)產(chǎn)生的。

在這種情況下，數(shù)據(jù)更有了“AI發(fā)展的勝負(fù)手”之稱——算法、算力和數(shù)據(jù)是AI發(fā)展的三大重要基礎(chǔ)。東吳證券指出，對于我國而言，算法和算力都可以通過挖掘優(yōu)質(zhì)人才、引進(jìn)優(yōu)秀工程實(shí)踐，或者直接購買海外優(yōu)質(zhì)資產(chǎn)追趕。而培養(yǎng)中文環(huán)境的優(yōu)質(zhì)數(shù)據(jù)集、語料庫卻必須長期自我積累沉淀，未來數(shù)據(jù)將成為AI發(fā)展的勝負(fù)手，并有望為中國訓(xùn)練自己的大模型，走出差異化道路提供重要基礎(chǔ)。

關(guān)鍵詞：