转载自 | 字母榜
作者| 毕安娣
只听说过社交媒体想方设法让用户多停留的，没听说过主动给人加个上限的。如今开眼了，埃隆·马斯克正在给所有推特用户加“未成年人保护”，而这一切，居然是被AI逼的？
如今推特用户每天最多能浏览多少推特，不取决于手速或者舍不舍得熬夜，而是有一个明确的数字：已验证（也就是付费的“蓝鸟”服务）账户10000条、未验证账户1000条，而新注册的未验证账户只有500条。就这，还是马斯克面对愤怒的用户，两次提高后的标准。至于原因，是“为了解决极端水平的数据抓取和系统操纵问题”。他指的正是AI公司们，为了训练模型，这些企业需要大量数据作为喂养的饲料。去年12月，马斯克切断了与OpenAI的数据联系，今年4月又指责微软非法使用推特的数据。在马斯克为阻止数据抓取采取激进措施的同时，OpenAI正在面临一项集体诉讼。诉讼的原告有16名，都是个人，换句话说，都是普通的互联网冲浪人。他们指控OpenAI秘密地“从互联网抓取了3000亿字词”，未经允许从互联网那个用户那里窃取“大量私人信息”，以培训ChatGPT。一边是互联网用户和多年来积累大量UGC内容的平台，另一面是新兴的AIGC企业，一场围绕数据抓取、隐私安全的战争已经打响。周五周五，敲锣打鼓。好不容易要周末了，推特的用户却傻了，屏幕上显示报错信息，提醒其已经超过了“速率限制”，违反了推特的规则，查看了过多推文。人们压根不知道这是什么意思，推特老板马斯克站了出来，表示的确是有速率限制，而且宣布：为了解决极端水平的数据抓取和系统操纵问题，已验证、未验证、新注册未验证账户每天的浏览上限是6000、600和300条推文。在此之前，马斯克刚宣布推特开始禁止未登录的用户浏览内容，用户尚且能接受。限制实锤，用户麻了，继而看着这验证与否的区别对待，眉毛挑起来了：你个老六该不会是想用这招推行“蓝鸟订阅”吧？在评论区，不止一位用户评论：“现在得用钱制胜了？”不满的声音很大，推特的竞品Hive、Mastodon、Tumblr等出现在热门话题里，一张推特墓碑的梗图被大量使用。争议声中，马斯克两次提高标准至验证用户10000条浏览、未验证用户1000条。一个马斯克的高仿号调侃道：“我设置限制，是因为你们这些推特成瘾者需要出去走走。我这是在为世界做好事啊”。这种上价值的思路好，马斯克反手就是一个转发，自己还单独发了条“去拜访下你的朋友和家人吧”。不过玩笑归玩笑，马斯克为自己的这次“测试”给出了明确的解释：应对数据爬取。用户的不满，也在于限流的做法是否有效，而不在数据爬取的问题上。AI初创公司跑来推特“扒数据”的情况有多严重呢？马斯克在一条推文中说，流量激增，推特不得不启用备用服务器：“在紧急情况下启用大量在线服务器，仅仅是为了给某些AI初创公司高得离谱的估值帮忙，这太令人恼火了。”在限流风波的前一天，Epic Games的CEO蒂姆（Tim Sweeney）还发推抱怨推特也在建墙，马斯克回复：“数百个（甚至更多）阻止正在极其激进地爬取推特数据，到了影响用户体验的地步。我们应该怎么做？我对所有想法都保持开放。”刚才还在抱怨的蒂姆，很快就给出了认真的建议，如在推特的服务条款中加入禁止数据爬取、以信息安全工程保护平台，以及针对大规模滥用推特的公司采取法律行动。值得注意的是，马斯克在回复中提到，“绝对”会对那些窃取数据的人采取法律行动：“（乐观地说）从现在起2到3年，期待在法庭上看到他们。”不管“为付费订阅添柴”的猜想是不是以小人之心度了马斯克之腹，马斯克高举用户隐私大旗之外，多少有可能抱有私心。4月，马斯克被传出成立X.AI新人工智能公司，要对抗ChatGPT。如果真的要训练大语言模型，推特的用户数据，当然是只给自己用最好。不论如何，主动给平台限流都做得出来，马斯克已经做好准备，要和AI初创公司们硬刚到底了。就在马斯克重拳出击给全平台限流的时候，这场AICG热潮的“始作俑者”、ChatGPT的造物主OpenAI，正卷入一场集体诉讼中。这起诉讼在美国加州北区地方法院发起，原告16人，均为匿名，均为个人。诉状很长，足足有157页，以斯蒂芬·霍金的一句话作为开头：“强大人工智能的崛起，要么是人类有史以来最好的事，要么是最糟的。”被告除了OpenAI，还有为其注资上百亿美元的微软。核心指控是，ChatGPT使用从互联网上收集的数据来“训练其技术”时，侵犯了“无数人的版权和隐私。”起诉书中称，OpenAI从互联网上秘密抓取3000亿字词，窃听了“书籍、文章、网站和帖子，包括未经同意获得的个人信息”，违反了隐私法。其中就提到了OpenAI爬取大量网络数据，包括社交媒体中的数据。他们还指出OpenAI有个专有AI语料库，积累了大量个人数据，包括从Reddit帖子及其链接到网站中获取的数据。这是训练模型方面的指控，此外，原告还称用户与OpenAI的产品的互动、在产品中的私人信息，也都被OpenAI非法访问、大规模盗用。这已经不是OpenAI第一次在美国面临集体诉讼。去年11月，就有Github程序员对Github、OpenAI和微软发起集体诉讼的事件，指控OpenAI涉嫌违反开源许可，使用他们贡献的代码训练专有AI工具GitHub Copilot。彼时ChatGPT还没有上线，如今回头看，AI训练的问题那时就已经暴露。如今，最新的集体诉讼针对的是用户更为广泛、被侵犯人群也更加广泛（基本上就是全员受害）的ChatGPT，更重要的是，在AIGC的狂潮之下，任何法律先例都可能影响未来。代理该案的克拉克森公益律师事务所（Clarkson）在一封声明中，将这次的集体诉讼称作“里程碑式”的联邦案件，是对整个人工智能的警告。OpenAI因数据抓取和隐私安全已经惹上诸多麻烦，平台上锁、用户翻脸都只是冰山一角。在欧洲，OpenAI已经遭到了多个国家的调查，甚至在今年4月，意大利担心ChatGPT会违反欧洲数据保护法，暂时封禁过ChatGPT。针对整个人工智能领域的监管正在推进。法国于5月推出人工智能行动计划，其中在AIGC方面，法国隐私监管机构特别关注一些AI模型从互联网上搜集数据、建立数据集，用来训练大语言模型的做法。最重磅的是欧盟人工智能监管法案（EU AI Act），目前已经走向收尾阶段。该法案将有可能成为全球AI治理的范本。 平台、用户、监管，三股力量已经形成合围之势，誓要尽早给AIGC立立规矩，并且要从大模型训练这个起点开始。马斯克说“估值高得离谱的AI初创公司”指的是谁，咱也不知道。但这话一出，中箭的确实不少，毕竟现在AIGC领域融资一波接一波，全是热钱。在初创公司里，OpenAI估值近300亿美元，融资总规模113亿美元，是AIGC里最有钱的；然后是Anthropic，第二有钱，估值超过40亿美元。而前几天才以13亿美元融资震惊硅谷的Inflection，估值也已经有40亿美元，而它成立不过一年多。大的可能还在后头。Inflection用的是自家的大语言模型，这次13亿美元到手，宣布要搞2.2万张英伟达H100芯片，做全球最大的人工智能集群。如此大规模算力，目标参数量和数据集势必也是惊人的。另一方面，ChatGPT横空出世，等它暴露出问题时，想“修补”并不是那么容易。OpenAI的几代大语言模型，GPT-2数据集有40GB文本，GPT-3（也就是ChatGPT发布时用的模型）训练数据有570GB，至于今年才发布的GPT-4，数据集大小压根没透露。海量的数据并没有从一开始就做好记录。谷歌前研究科学家尼西亚·桑巴斯万曾在采访中表示，科技公司不会记录它们是如何收集或注释AI训练数据的，甚至不知道数据集中到底有什么。木已成舟的ChatGPT就像一个黑匣子，而且是一个打造在密室里的黑匣子，如今要做透明化、隐私保护，比如罗列到底爬取了哪些数据、阐释使用过程中会如何使用这些数据、应用户要求删除某条数据，其实很难。互联网冲浪人和监管死咬OpenAI们，还有一个不容忽视的原因——在社媒发展壮大的那些年，对个人网络数据保护的意识还在襁褓中，待要抗衡时，发现已错过太远。当扎克伯格2018年首次坐上国会听证席时，他的社交媒体平台Facebook已经推出了14年。彼时Facebook身陷“剑桥丑闻”，公司首席技术官称有8700万用户受影响。那也是一次因数据抓取酿成的大错。等到今年5月阿尔特曼坐上美国国会听证席，议员频频表达着在社媒时代行动不足的悔恨，意思很明了：这一次，就算不能超前，也至少要跟上AIGC的脚步。一个接一个的大模型仍然在训练当中，数据抓取是一根线头，攥住它才有望理清AIGC的糊涂账。
参考资料：
1、新浪科技：《马斯克跟微软杠上了？Twitter称微软非法使用其数据》
2、黑马程序员：《这些程序员把GitHub告了！要求索赔649亿》
3、界面新闻：《欧盟AI法案出炉，OpenAI等公司可打几分，核心争议点有哪些？》
4、腾讯科技：《对数据的渴求正反伤OpenAI？多国指控其违反数据保护法》
5、网易科技：《ChatGPT在意大利恢复上线 但OpenAI的监管麻烦才刚刚开始》
