免费数据薅不到了！美版贴吧向AI公司收取数据使用费！马斯克已作出“价格示范”

美国新闻媒体联盟（前美国报业协会）在日前呼吁AIGC开发公司就数据使用展开谈判，并要求这些开发公司尊重新闻媒体获得公平补偿的权利。而马斯克或许也为这两家公司提供可供借鉴的定价方案——本月马斯克已提高推特数据访问价格，起价为每月4.2万美元，可访问5000万条推文。

AIGC热潮下，数据重要性愈发凸显。以ChatGPT为首的人工智能，由庞大数据集训练而成。如今，已有公司“揭竿而起”要求收费，不再甘于被微软、谷歌等科技巨头免费用数据。

当地时间周二，Reddit宣布，将向使用其API训练AI聊天机器人的公司收取数据使用费，其中便包含微软、谷歌、OpenAI等。

之前这些公司都通过应用程序编程接口（API）下载并处理论坛上的聊天内容，并将聊天内容当做免费训练工具，用于开发新AI系统。例如，谷歌聊天机器人Bard的底层算法之一便是用Reddit聊天数据训练而来；OpenAI的ChatGPT也将Reddit数据纳入大型语言模型的训练内容。

Reddit是美国访问量最大的网站之一，用户可以在其中创建并分享内容，还有人将其称为“美国版百度贴吧”。

公司创始人兼首席执行官Steve Huffman表示，“Reddit比互联网上任何其他地方都更适合聊天，平台上很多内容是用户只会私下说的、或压根不会说的东西。Reddit的数据库确实很有价值，我们没有必要免费提供这些价值给世界上最大的公司。”

这也是首次有社交媒体公司明确向OpenAI等收取费用，开放访问权用于开发人工智能系统。

目前，Reddit暂未公布具体收费标准，但其表示，将会给出不同的等级，根据使用者的规模和需求来收费。此外，这一举措不会影响那些使用API来创建和维护内容审核工具的人，Reddit会为他们提供专门的iOS和Android应用程序。

实际上，眼下已意识到数据价值的公司并不止Reddit——图片托管服务商Shutterstock已把图像数据出售给OpenAI，帮助开发了DALL-E；许多公司也在使用API追踪推特上的聊天内容，推特计划针对API使用收取几万到几十万美元不等的费用。

为了不断改进AI模型，有两个关键因素不可或缺：强大的计算能力和大量可用的数据。一些大型AI开发公司通常拥有足够的算力，但仍会在互联网上寻找改进算法所需的数据，数据来源包括维基百科、各种数字化书籍、学术文章和Reddit论坛上的聊天内容等。

OpenAI就曾透露，训练ChatGPT使用了45TB的数据、近1万亿个单词，大概是1351万本牛津词典所包含的单词数量。

知乎在日前发布大模型“知海图AI”，其倚仗的一大有力支撑便是中文互联网大量问答内容。知乎创始人、董事长兼CEO周源表示，AI时代，生产力的三要素分别是应用场景、专有数据和基础模型。其中，知乎以问答为基础的讨论场景是天然的应用场景，构成了独一无二的专有数据。

而彭博的BloomberGPT训练数据总量约为5300亿次，其中金融行业数据约为2720亿次，约占所有训练数据的54.2%，来源包括网络、新闻、公司公告与财务报表以及彭博自己的新闻库。

海量数据为基础的大模型训练产生了突现能力（Emergent Ability），带来AI研究范式转变。只有在训练数据量足够大时，量变才能引起质变。而GPT相比于此前模型所具备的“泛化能力”，就是以海量数据为基础产生的。

在这种情况下，数据更有了“AI发展的胜负手”之称——算法、算力和数据是AI发展的三大重要基础。东吴证券指出，对于我国而言，算法和算力都可以通过挖掘优质人才、引进优秀工程实践，或者直接购买海外优质资产追赶。而培养中文环境的优质数据集、语料库却必须长期自我积累沉淀，未来数据将成为AI发展的胜负手，并有望为中国训练自己的大模型，走出差异化道路提供重要基础。

▌科技巨头或成主要收费对象 马斯克已作出“价格示范”

实际上，OpenAI、谷歌、Meta等多家科技公司在建立大规模AI项目时，历来不会为大部分训练数据付费，而是选择从网络直接“爬取”，数据来源便囊括上文提到的Stack Overflow和Reddit。当然，在美国此举通常被看作合法行为，但仍存在一些版权与网站条款争议。

但即便在这种情况下，ChatGPT等一系列AI大模型/聊天机器人的开发费用也已高达数亿美元。随着Reddit、Stack Overflow等网站开始“开口要钱”，这些科技巨头的AI开发费用未来很可能“再上一层楼”，而技术开发时间或也将进一步延长。

至于具体如何收费？不论是Stack Overflow还是Reddit都暂未发布价格信息。

Reddit透露，“我们正在处理这个问题，将在未来几周内与合作伙伴分享更多信息。”Stack Overflow则表示，公司将借鉴研究Reddit的策略，并与潜在客户展开协商，目前已与部分客户就数据访问进行接触。

这两家公司的收费方案或许都将针对大型科技公司：Stack Overflow称希望收费对象仅限于以商用为目的开发LLM的大型公司；Reddit也有类似表态。而其余用户与公司则有望继续免费使用数据。

而马斯克或许也为这两家公司提供可供借鉴的定价方案——本月马斯克已提高推特数据访问价格，起价为每月4.2万美元，可访问5000万条推文。而就在本周三，马斯克刚刚指控微软非法使用推特数据来训练其AI模型，还直言“诉讼时间到”，警告要起诉微软。

每天两块钱，实时获取全球数据合规风险预警

👇

招募兼职研究助理：课题组《人脸识别法律治理框架》

• 申请条件：在数据隐私、数据安全及数据治理等方面具有丰富的理论积累或实践经验；并具有全英文写作的能力。
• 优先条件：发表过数据法或科技法相关论文的优先；有英文期刊发表经验的优先。
• 申请方式：请将您的简历和代表作发送到微信：heguilvshi 或邮箱：[email protected]