此前在去年年末，OpenAI CEO Sam Altman在社交平臺(tái)公布了OpenAI的2024年“愿望清單”，下一代人工智能模型GPT-5赫然在列。此前有傳言稱，GPT-4的參數(shù)量達(dá)到了1.5萬(wàn)億，模型規(guī)模是GPT-3的數(shù)倍，因此也可想而知，未來(lái)GPT-5的參數(shù)規(guī)模必然將會(huì)更上一層樓。而這也就意味著，OpenAI訓(xùn)練GPT-5所需的語(yǔ)料也將會(huì)達(dá)到史無(wú)前例的程度。
為此，OpenAI已經(jīng)開(kāi)始為GPT購(gòu)買新的語(yǔ)料。去年12月中旬，OpenAI方面就曾宣布與新聞出版巨頭施普林格出版集團(tuán)（Axel Springer）達(dá)成一項(xiàng)史無(wú)前例的協(xié)議，OpenAI將付費(fèi)使用施普林格旗下出版物的內(nèi)容，以填充ChatGPT的答案、并將媒體的內(nèi)容作為其訓(xùn)練數(shù)據(jù)。日前OpenAI的知識(shí)產(chǎn)權(quán)和內(nèi)容主管Tom Rubin在接受媒體采訪時(shí)也證實(shí)，OpenAI正在積極與傳媒行業(yè)接觸。
Tom Rubin表示，“我們正在與許多出版商進(jìn)行許多談判和討論。他們很活躍，也非常積極，談判進(jìn)展得很順利。你已經(jīng)看到了我們公開(kāi)的部分交易，未來(lái)還會(huì)有更多。”
然而，海外的出版商似乎對(duì)于OpenAI給出的價(jià)碼不太滿意。最近與OpenAI進(jìn)行談判的兩名媒體公司高管就表示，OpenAI僅僅愿意向部分媒體公司提供每年100萬(wàn)至500萬(wàn)美元的授權(quán)費(fèi)用。即使是對(duì)小型出版商來(lái)說(shuō)，這也是一個(gè)很小的數(shù)字，所有有觀點(diǎn)認(rèn)為這可能會(huì)讓OpenAI很難達(dá)成協(xié)議。
OpenAI最近開(kāi)始積極投身于購(gòu)買版權(quán)內(nèi)容的原因其實(shí)很簡(jiǎn)單，因?yàn)橐呀?jīng)版權(quán)方“盯上”了他們。就在去年12月27日，大名鼎鼎的《紐約時(shí)報(bào)》就指控OpenAI和微軟未經(jīng)授權(quán)使用其數(shù)以百萬(wàn)計(jì)的報(bào)道，以訓(xùn)練ChatGPT等人工智能聊天機(jī)器人。
《紐約時(shí)報(bào)》方面認(rèn)為，“（OpenAI）試圖搭《紐約時(shí)報(bào)》在新聞?lì)I(lǐng)域巨額投資的便車，在未經(jīng)許可或未付款的情況下利用《紐約時(shí)報(bào)》的內(nèi)容來(lái)制造替代產(chǎn)品”。
為什么在2023年年末，OpenAI使用未經(jīng)許可的數(shù)據(jù)會(huì)被拿出說(shuō)事呢？答案是GPT-4對(duì)于數(shù)據(jù)或者說(shuō)語(yǔ)料的渴求，使得目前互聯(lián)網(wǎng)上公開(kāi)數(shù)據(jù)源的開(kāi)源語(yǔ)料庫(kù)已經(jīng)無(wú)法滿足。
比如，訓(xùn)練ChatGPT的45TB數(shù)據(jù)主要來(lái)源于Common Crawl、維基百科、美國(guó)專利文件數(shù)據(jù)庫(kù)。其中，Common Crawl是一個(gè)抓取互聯(lián)網(wǎng)、并提供數(shù)據(jù)開(kāi)源下載的開(kāi)源數(shù)據(jù)庫(kù)，截止2023年4月其一共匯聚了31億個(gè)網(wǎng)頁(yè)、共有400TB的原始數(shù)據(jù)，而紐約時(shí)報(bào)》的域名就是最具代表性的專有來(lái)源之一，貢獻(xiàn)了超過(guò)1600萬(wàn)條內(nèi)容。
然而Common Crawl、維基百科、美國(guó)專利文件數(shù)據(jù)庫(kù)不是政府機(jī)構(gòu)、就是非盈利性組織，所以《紐約時(shí)報(bào)》沒(méi)法使用版權(quán)這個(gè)武器，但OpenAI就不一樣了，擁有ChatGPT Plus的它已經(jīng)是一個(gè)盈利組織。而《紐約時(shí)報(bào)》的底氣，則源自于OpenAI單單是訓(xùn)練ChatGPT，就已經(jīng)幾乎將互聯(lián)網(wǎng)一切英語(yǔ)資源一網(wǎng)打盡，GPT-4的訓(xùn)練更是使用了超過(guò)13萬(wàn)億tokens，甚至OpenAI方面自己都承認(rèn)，訓(xùn)練GPT-4時(shí)使用了來(lái)自《紐約時(shí)報(bào)》的版權(quán)內(nèi)容。
為了避免第二個(gè)、第三個(gè)《紐約時(shí)報(bào)》出現(xiàn)，OpenAI就只能選擇付錢(qián)來(lái)購(gòu)買內(nèi)容。
那么問(wèn)題就來(lái)了，每年100萬(wàn)至500萬(wàn)美元的授權(quán)費(fèi)用，出版商為什么會(huì)覺(jué)得這筆錢(qián)很少呢？因?yàn)樵诔霭嫔炭磥?lái)，向OpenAI授權(quán)相關(guān)數(shù)據(jù)幾乎就等于“賣出絞死自己的最后一根絞索”。
如果說(shuō)當(dāng)年的搜索引擎與出版商是雙贏的關(guān)系，畢竟前者需要內(nèi)容源來(lái)滿足用戶的信息需求，出版商則需要搜索引擎將流量引導(dǎo)到自己的網(wǎng)站，并且搜索引擎只提供簡(jiǎn)介和鏈接，詳情則要用戶點(diǎn)開(kāi)鏈接到內(nèi)容提供方的源頭去看。可現(xiàn)在的ChatGPT、Bing Chat卻是直接在自己的頁(yè)面中向用戶提供內(nèi)容，這無(wú)疑就是對(duì)于出版商的釜底抽薪。
換而言之，通過(guò)ChatGPT用戶可以直接看到由AI整合的新聞，根本就不需要去《紐約時(shí)報(bào)》官網(wǎng)再去看相關(guān)的內(nèi)容，長(zhǎng)此以往，新聞出版機(jī)構(gòu)存在的意義又在哪里呢？
并且由于AI大模型的發(fā)展趨勢(shì)儼然已經(jīng)勢(shì)不可擋，正如當(dāng)年新聞出版行業(yè)被迫與搜索引擎、社交網(wǎng)絡(luò)媾和一樣，因此以《紐約時(shí)報(bào)》為代表的新聞出版商選擇以自己手中的版權(quán)作為武器，試圖在蓬勃發(fā)展的AI行業(yè)中分到一杯羹。
而OpenAI大張旗鼓地向出版商購(gòu)買版權(quán)，其實(shí)也是一個(gè)陽(yáng)謀。現(xiàn)階段，大模型賽道的現(xiàn)狀是資本和技術(shù)雙密集，算力成本極其昂貴，以至于有相當(dāng)多的AI初創(chuàng)企業(yè)被迫接受擁有算力資源的英偉達(dá)的投資，以此來(lái)獲得更便宜的算力。如果未來(lái)數(shù)據(jù)或者語(yǔ)料也成為大模型行業(yè)的成本，無(wú)疑就將會(huì)勸退一大批競(jìng)爭(zhēng)者，這對(duì)于保持OpenAI競(jìng)爭(zhēng)力的相對(duì)領(lǐng)先，顯然是有很大意義的事情。
可是OpenAI訓(xùn)練GPT需要的內(nèi)容實(shí)在太多，以至于即使不缺資金支持，也難以讓每一家出版商都滿意，這就是當(dāng)下OpenAI面臨的困局。當(dāng)擁有數(shù)據(jù)的一方經(jīng)過(guò)了2023年AI大模型領(lǐng)域爆發(fā)式的增長(zhǎng)后，已經(jīng)充分認(rèn)識(shí)到了手中的數(shù)據(jù)是有價(jià)值的，已經(jīng)處于衰退的出版商就必然指望從這些AI企業(yè)手獲得更多的收益。
因此從某種意義上來(lái)說(shuō)，在OpenAI造出GPT-5、并產(chǎn)生一個(gè)能自我生產(chǎn)內(nèi)容的AI之前，被新聞出版商圍獵幾乎是必然。
【本文圖片來(lái)自網(wǎng)絡(luò)】
