我在 AI 训练库里，找到 200 多张周杰伦的照片

科技

2023-04-29 04:04

我的一些网站正在被你的用户攻击，你不能不经同意就抓取我的照片信息。

Eden

Romain

你要是不想让人看你发网上的照片，你就把它删除啊。

这段对话来自图片抓取工具 Img2dataset 的 GitHub 页面，争论的双方，是被抓取图片的网站站长 Eden，和抓取工具的开发者 Romain。

▲

双方发言的赞踩数，似乎能看到大众的偏向

发布上网=默认同意 AI 训练

不论是 Open AI 的 DALL-E、Google 的 Imagen，还是开源的 Stable Diffusion，任何由文字生成图片的通用大模型，都需要经过大量的数据训练，网络是训练信息的最佳来源。

Eden 建立了一个名为 OpenBenches 的网站，邀请用户上传世界各地的纪念长椅图片和位置。截至今日，OpenBenches 已经收集了超过两万七千张长椅，托管了 250GB 的照片。

一日，Eden 收到了服务器报警，说网站正在受到持续攻击，来源正是上文中提到的 Img2dataset。原因很简单，有人把 Eden 网站里的长椅图片用于了 AI 训练。

因为网站流量的激增，导致 Eden 不仅支付了额外费用，还花费了不少时间去阻止抓取工具的滥用。

当然，Img2dataset 的抓取并不是无法禁止的，只需为网站加入「X-Robots-Tag: NoAI」的标头，就可以避免被 Img2dataset 抓取，如果你没有加，则默认你同意自己的网站数据可以被用于 AI 训练。这就出现了争论的关键：作为所有者，我应该选择加入，而不是选择退出。

▲

「你剥夺了人们的同意权」

听起来似乎有一点绕，举一个不太恰当的例子，我在手机上下载了一款新 app，在没有打开前，它就已经获取了所有权限，并根据信息推送了广告通知，当我质问开发者时，却得到了「你要是不想看广告，就不要用手机啊」的回复。

怎么样，你开始生气了吗？

公司能收费，个人没办法

今年 2 月，Twitter 宣布不再支持免费 API 访问，如果你想访问 Twitter 的数据，需要每月支付 4.2 万到 21 万美元不等的费用，金额越高，研究人员或企业获得的推文数量就越多。

因此，微软则宣布数字营销中心（DMC）随后表示不再支持 Twitter，这将导致用户不能再通过微软的免费社交媒体管理服务创建、管理他们的推文。

Twitter CEO 马斯克也一点都不含糊：微软在用 Twitter 的数据进行非法训练，接下来是诉讼时间。

知名社交媒体 Reddit 拥有庞大的用户群体和活跃的社交板块，同时不少板块的内容也相当专业权威，这让它成为了一个非常好的 AI 学习资料库。

Google Bard 和 ChatGPT 都曾引用 Reddit 的数据做其训练的信息来源之一。

▲

两者的语义学习文档中都出现过 Reddit 的身影

「Reddit 的数据语料库非常有价值，我不能免费将这些价值提供给世界级大公司。」Reddit 创始人 Steve 在采访中表示。

上周二，Reddit 追随 Twitter 的脚步，开始向大公司收取 API 访问费用。

你构建未来与我竞争的工具，而我还要把数据免费提供给你，怎么想都不合理。

对大公司来说，改变 API 的开放策略尚是一件需要进行多方权衡的反击方法，而像 Eden 这样的个人网站运营者或者普通网友，面对 AI 默认同意的照片训练，并没有太好的应对方法。

音乐家 Holly Herndon 创建了一个名为「Have I Been Trained」的网站，收集了 5 亿张用于 AI 艺术模型训练的图片，旨在帮助艺术家了解他们的作品是否包含在 AI 模型训练的数据集中。

我尝试在网站中搜索了「Jay Chou」，不知这些被用来进行 AI 训练的周杰伦照片，有没有经过周董本人的同意。

▲

网站：https://haveibeentrained.com/

那么，我可以不让 AI 识别我的照片吗？当然可以，那就是 Img2dataset 开发者提供的方法了：拒绝 AI 识别的最佳方法，就是删除它——不想让我用？那你就别上传。

人工智能正在以惊人的速度发展，AI 工具方便了我们的工作生活，但我们似乎还没有想好，该如何应对为人工智能提供动力的数据源。

请给我们「同意」的权利

在「长椅」网站所有者 Eden 与图片采集工具开发者 Rom 的争论中，后者提到一个观点：被 Google 搜索是搜，被我搜索也是搜，为什么你愿意让 Google 收录你的网站，不允许我搜索呢？

这看起来似乎有些道理，但 Google 搜索中心为开发者提供了一个非常全面的防请求机制：robots.txt。

使用这个文件，就可以避免网站收到过多的请求，它并不是一种阻止 Google 抓取某个网页的机制，而是为了更加合理的分配流量。

有网友指出，Img2dataset 主动忽略了 robots.txt，这个做法显然是恶意的。而且，相比全球最大的搜索引擎 Google，Img2dataset 这样的小工具数量更多、迭代更快，今天禁止了这个，明天就会冒出那个。

「难道每出现一个新工具，我就要选择一次拒绝？」Eden 提出的疑问，也是我们每个人可能会遇到的事。

或许是为了利益，或许是寻求方便，不管是故意的还是不小心，「默认同意」似乎成为了 AI 高速发展的秘密武器。但我始终认为，同意是道德的基石，AI 发展的同时，也需要更加合理的数据集采集方式。

在争辩的最后，Rom 依然坚持自己的观点：很遗憾，你们中的一些人还是不理解 AI 的潜力，作为创作者，你们有更多机会从中受益，却与此斗争，这令人感到悲哀。

AI 在飞速发展，而要走的路还是很长。

点击「在看」

是对我们最大的鼓励

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章