一位YouTube创作者正寻求对OpenAI提起集体诉讼，指控该公司在未通知或未向视频所有者支付报酬的情况下，使用数百万个YouTube视频的字幕来训练其生成式AI模型。
在一份于周五提交至美国加利福尼亚州北区联邦地区法院的诉状中，代表居住在马萨诸塞州的YouTube用户David Millette的律师声称，OpenAI秘密转录了Millette及其他创作者的视频，以训练为其AI聊天平台ChatGPT以及其他生成式AI工具和产品提供动力的模型。据诉状称，通过收集这些数据，OpenAI从创作者的工作中“获得了巨大利益”，同时违反了版权法以及禁止将视频用于独立应用程序的YouTube服务条款。
“随着[OpenAI]的人工智能产品通过使用训练数据集变得更加复杂，它们对潜在和现有用户的价值也日益增加，这些用户购买订阅以访问[OpenAI]的人工智能产品。”诉状写道。“然而，[OpenAI]训练数据集中的许多材料来自未经同意、未署名且未获补偿而被复制的作品。”
由Bursor & Fisher律师事务所代理的Millette正在寻求陪审团审判，并要求为所有可能被卷入OpenAI训练数据的YouTube用户和创作者索赔超过500万美元的损害赔偿。
像OpenAI这样的生成式AI模型并不具备真正的智能。接收海量示例（例如电影、语音录音、文章）后，模型会“学习”数据基于模式（包括任何周围数据的上下文）出现的可能性。
大多数模型使用来自网络各处公共网站和数据集的数据进行训练。公司辩称，合理使用原则保护了他们 indiscriminately 抓取数据并用于训练商业模型的努力。然而，许多版权持有人对此表示反对——他们正在提起诉讼旨在阻止这种做法。
随着其他数据源逐渐枯竭，视频转录已成为关键的训练数据成分。
全球排名前1000的网站中，超过35%现在屏蔽了OpenAI的网络爬虫，据Originality.AI的数据。此外，MIT数据溯源倡议（Data Provenance Initiative）的一项研究发现，用于训练AI模型的主要数据集中，来自“高质量”来源的数据约有25%受到限制。如果当前的访问屏蔽趋势持续下去，研究机构Epoch AI预测到2026年至2032年之间，开发人员将耗尽用于训练生成式AI模型的数据。
今年4月，《纽约时报》报道OpenAI创建了其首个语音识别模型Whisper，目的是转录视频中的音频以收集额外的训练数据。据《纽约时报》称，包括公司总裁Greg Brockman在内的OpenAI团队使用Whisper转录了YouTube上超过一百万小时的视频，并利用这些转录内容来训练OpenAI的文本生成和文本分析模型GPT-4。
据《纽约时报》报道，一些OpenAI员工讨论了此举可能违反YouTube规则的问题。
7月，Proof News报道包括Anthropic、Apple、Salesforce和Nvidia在内的多家公司使用了名为The Pile的数据集来训练生成式AI模型，该数据集包含数十万个YouTube视频的字幕。许多其字幕被纳入The Pile的YouTube创作者对此并不知情，也未表示同意；Apple随后发表声明称，它无意使用这些模型为其产品中的任何AI功能提供支持。
Google是YouTube的母公司，也试图利用转录内容来训练其模型。
去年，Google扩大了其服务条款（ToS），部分原因是为了允许该公司获取更多用户数据以用于生成式AI模型的训练。在旧的服务条款下，Google是否可以使用YouTube数据来构建超出视频平台的产品尚不明确。而在新的条款下，情况则大不相同，限制大大放宽。
对于OpenAI来说，这个月的开始并不顺利。
Tesla和X的首席执行官Elon Musk周一对OpenAI提起了一项新诉讼并指控CEO Sam Altman，指责该公司通过将其最尖端的技术保留给商业客户而放弃了其最初的非营利使命。Musk在2月份对OpenAI提起的诉讼中曾提出过相同的指控，但这项新诉讼还指控OpenAI从事敲诈勒索活动。