AI数据爆发「石油危机」

媒体平台竭泽而渔也无法缓解 AI 模型公司的数据焦虑，实现高质量数据高产量的前提是数据确权，是创作者、平台和 AI 模型公司三者合理的利益分配。

2024-07-24 17:36 · 微信公众号：硅兔赛跑　江江　　

ChatGPT 的出现和 Midjourney 的爆发式采用让 AI 实现了*次大规模应用，即大模型的普及。

所谓大模型，是指具有大量参数和复杂结构的机器学习模型，能够处理海量数据、完成各种复杂的任务。

AI数据版权纠纷

如果把当下的 AI 大模型比作汽车，原始数据就是原油。无论如何，首先 AI 模型需要足够的“原油”。

AI 公司的“原油”来源主要有以下几类：

●网上公开免费的数据源，比如维基百科、博客、论坛、新闻资讯等；

●老牌新闻媒体和出版社；

●大学等研究机构；

●使用模型的 C 端用户。

现实世界的石油归属权已经有成熟的法律规范，而在 AI 这个天地尚且混沌的领域，“原油”开采权还不明晰，由此造成的纠纷不胜枚举。

就在最近，多家大型音乐厂牌起诉AI音乐制作公司Suno和Udio，指控其侵犯版权。这起诉讼与《纽约时报》去年12月对OpenAI的诉讼类似。

图源：Billboard

2023年7月，一些作家对该公司提起诉讼，指控ChatGPT根据受版权保护的内容生成了作者作品的摘要。

同年12月，《纽约时报》也对微软和OpenAI提起类似版权侵权诉讼，指控这两家公司利用该报的内容训练人工智能聊天机器人。

此外，还有一起集体诉讼在加利福尼亚州提起，指控OpenAI未经用户同意，从互联网上获取用户私人信息来训练ChatGPT。

OpenAI 最终并没有为这份指控买单，他们表示不认同《纽约时报》的指控，也无法复现《纽约时报》提到的问题，更重要的是，所谓《纽约时报》提供的数据源，对于 OpenAI 来说并不重要。

来源：https://openai.com/index/openai-and-journalism/

对于 OpenAI 来说，这件事情带来的*教训也许就是处理好与数据供应商的关系，明确双方权责。于是，我们在近一年的时间内看到 OpenAI 跟很多数据供应商达成合作伙伴关系，包括但不仅限于The Atlantic、Vox Media、News Corp、Reddit、Financial Times、Le Monde、Prisa Media、Axel Springer、American Journalism Project 等等。

未来，OpenAI 将名正言顺地使用这些媒体的数据，而这些媒体也会将 OpenAI 的技术融合到产品中。

AI 推动内容平台变现

不过，OpenAI 跟数据供应商达成合作关系最根本的原因不是恐惧被起诉，而是机器学习即将面临的数据枯竭。MIT等研究人员曾进行一项研究估计，机器学习数据集可能会在 2026 年之前耗尽所有「高质量语言数据」。

「高质量的数据」因此成为像 OpenAI 和 Google 这样的模型制造商的香饽饽。内容公司与AI模型厂商屡屡达成合作，开启躺平赚钱模式。

传统媒体平台Shutterstock陆续和Meta, Alphabet, Amazon, Apple, OpenAI, Reka等AI公司达成合作， 2023年通过内容授权给AI模型将年收入提高到 1.04 亿美元，预计 2027 年产生 2.5 亿美元收入；Reddit 授权给谷歌的内容版权收入每年高达 6000 万美元；苹果也在寻求与主流新闻媒体合作，开出一年至少5000万美元的版权费。内容公司从 AI 公司收到的版权费正在以 450% 的年增长率疯狂上涨着。

图源：CX Scoop

而在过去一些年里，流媒体之外的内容难以变现，这是内容行业的一大痛点。相比互联网创业时代，AI 的出现给内容行业带来了更大的想象力以及更强烈的收入预期。

高质量数据依然稀缺

当然不是什么样的内容都符合 AI 的需求。

关于前文提到的 OpenAI 和《纽约时报》的争论，另一个亮点是数据质量。从原油中提炼石油，一则是要油本身质量好，二则提纯技术要好。

OpenAI 特意强调《纽约时报》的内容并未对 OpenAI 的模型训练产生任何重大贡献，比起能够让 OpenAI 每年自掏腰包数千万美金的 Shutterstock，《纽约时报》这类靠时效性起家的文字媒体并不是 AI 时代的宠儿。AI 更需要深刻而独特的数据。

而高质量数据太稀缺，AI 公司也开始在“提纯技术”和“一站式应用”上下功夫。

6 月 25 日，OpenAI 收购实时分析数据库公司 Rockset。这家公司主要提供实时数据索引和查询功能，OpenAI将在其产品中集成 Rockset 的技术，提高数据的实时使用价值。

图源：DePIN Scan

通过收购Rockset，OpenAI 计划使 AI 更好地利用和访问实时数据。这能使 OpenAI 的产品支持更复杂的应用，如实时推荐系统、动态数据驱动的聊天机器人、实时监控和报警系统等。

Rocket是 OpenAI 内置的“石化部门”，将普通数据直接转化为应用所需的高质量数据。

创作者数据确权是异想天开吗？

互联网媒体平台（Facebook、Reddit 等）的数据很大程度来自于UGC，即用户贡献内容。很多平台在向 AI 公司收取高额数据费的同时，也悄悄在用户条款上加上了一条“平台拥有使用用户数据训练 AI 模型的权力”。

虽然用户条款对 AI 模型训练权力有所标注，但创很多作者并不清楚自己生产的内容具体被哪些模型使用，也不知道是否是付费使用，更无从获得本该属于自己的相关权益。

在今年 2 月份的 Meta 季度业绩电话会议上，扎克伯格明确表示将使用 Facebook 和 Instagram 上的图片来训练他的 AI 生成工具。

据报道，Tumblr 也已经与 OpenAi 和 Midjourney 神秘达成内容授权协议，但并未公开具体协议的具体的内容。

图片库平台EyeEm的创作者们最近也收到一份通知，提示他们发布过的照片会用于 AI 模型训练。通知提到，用户可以选择因此不使用产品，但还未提及任何补偿政策。EyeEm 的母公司 Freepik 向路透社透露，该公司已与两家大型科技公司签署协议，以每张图片 3 美分左右的价格授权其 2 亿张图片中的大部分图片。首席执行官 Joaquin Cuenca Abela 表示，还有五笔类似的交易正在进行中，但拒绝透露买家的身份。