原贴链接

由于帖子仅提供了一个链接，无实际内容可翻译，内容为空

讨论总结

这是一个关于AI实验室需要用户数据的讨论。主要围绕OpenAI是否在Pro计划用户聊天记录上进行模型训练展开，涉及到对OpenAI的信任、企业合作担忧等方面。同时也探讨了AI实验室的数据来源，包括是否搜刮所有书籍资源、所需数据类型等，还有像权益诉求、数据是否有新意、多模态需求以及数据可靠性等相关话题，整体是比较理性的讨论氛围。

主要观点

  1. 👍 OpenAI在Pro计划用户聊天记录上进行模型训练
    • 支持理由：有评论明确指出这一情况
    • 反对声音：无
  2. 🔥 信任OpenAI是困难的，考虑到其激励机制和道德因素
    • 正方观点：其激励机制和道德因素让人难以信任
    • 反方观点：无
  3. 💡 AI实验室所需数据类型为免费、格式良好的人类对话数据
    • 解释：评论中有人指出AI实验室想要这种类型的数据而非需大量处理的数据
  4. 💡 企业因无法保证数据安全而不与OpenAI合作
    • 解释：企业担心数据被挖掘所以不合作
  5. 💡 认为AI实验室使用数据时，不开源就应给予用户版税
    • 解释：在AI不开源使用数据的情况下，用户希望得到权益回报

金句与有趣评论

  1. “😂 So OpenAI trains their models on all user chats, including the $200/month Pro plan”
    • 亮点：直接指出OpenAI在Pro用户聊天记录上进行模型训练这一关键事实
  2. “🤔 I mean you have to trust them. Which is hard knowing the incentives and morality of Sam”
    • 亮点：点出信任OpenAI困难并提及相关因素
  3. “👀 This is one of the reasons why my corp never signed with them. We could never get guarantees they wouldn’t mine our data.”
    • 亮点：从企业角度阐述不与OpenAI合作的原因

情感分析

总体情感倾向比较理性中立。主要分歧点在于对OpenAI的信任与否，原因在于其数据训练行为、激励机制和道德因素等可能影响用户和企业对它的信任。

趋势与预测

  • 新兴话题：数据真实性与可靠性在AI训练中的影响可能会引发后续更多讨论。
  • 潜在影响：对AI实验室如何获取、使用数据的规范和监管可能会产生影响，促使企业和用户更加关注数据权益。

详细内容：

标题：AI 时代的新阶段：AI 实验室对数据的渴求

在 Reddit 上，一则题为“2nd stage of the AI age: AI Labs Need Your Data”的帖子引起了广泛关注，该帖链接为 https://blog.hyperknot.com/p/ai-labs-need-your-data，收获了众多点赞和大量评论。

帖子引发的主要讨论方向包括对 AI 实验室获取数据方式的质疑、不同地区对数据使用的监管差异以及数据来源的多样性和合法性等。

讨论焦点与观点分析： 有人表示“你得信任他们，可了解他们的动机和道德水准很难”。还有人说“这就是我们公司从不与他们签约的原因之一，我们无法得到他们不会挖掘我们数据的保证”。有人认为“如果他们完全无视这一点，我也不会感到惊讶”。有人指出“在欧盟这可不会被接受，所以我觉得他们更可能在条款和条件中偷偷塞进一些东西，比如‘我们不能用于训练，但可以卖给能这么做的其他人，或者出售个人信息’”。

有人说“只有在欧盟才行”。还有人提到“谷歌的一大优势在于他们花费十多年将教科书数字化”。有人认为“他们想要免费的、格式良好的人类对话数据，而不是需要大量处理才能有用的数据”。

有人指出“Books3 数据集是一个有争议的 AI 训练数据集，包含 196640 本纯文本格式的书籍，包括斯蒂芬·金和玛格丽特·阿特伍德等作者的（盗版）作品。它由肖恩·普雷瑟于 2020 年创建，源自 Bibliotik 影子图书馆，并被纳入 EleutherAI 的‘The Pile’数据集，已被 Meta 等公司用于训练语言模型，引发了版权侵权诉讼”。

有人说“谷歌图书在 2010 年估计有 1.3 亿本书，所以这个数据集可以增长 1000 倍。还有整个 YouTube、TikTok、所有广播节目、视频广播等等。所缺乏的不是数据本身，而是专门的、经过整理的数据”。有人强调“经过整理、标注的数据”。

有人说“当然，如果你的 AI 不开源，我要求版税，希望如此”。有人认为“GPT 免费层级是他们获取大量文本、图像、音频内容以训练模型的最佳方式”。有人问道“他们是否将 YouTube 视频、播客等中人们说话的声音转换为文本？我认为获取新数据进行训练还有很多工作要做。而且我们肯定需要走向多模态。即使一个视频也包含了关于现实世界中任何事物如何运作的大量信息。仅文本只能让我们走到这一步”。有人回答“他们 100%对 Whisper 这么做了”。有人说“我认为这是他们做的第一件事”。有人提出“所有 YouTube 视频默认都会为字幕进行转录”。有人质疑“那如果人们开始在他们的 AI 账户中填充虚假、误导性的信息或充满无意义内容的看似科学的论文会怎样？”

讨论中的共识在于对 AI 实验室获取和使用数据的方式存在担忧，并且认识到数据的质量和合法性至关重要。特别有见地的观点如对欧盟监管环境的分析，丰富了讨论的深度和广度。

总之，Reddit 上关于 AI 实验室数据需求的讨论反映了人们对这一话题的关注和思考，也揭示了其中存在的诸多问题和挑战。