给AI当“奶妈”,是天涯们的生路吗?
2024-04-12 15:06

给AI当“奶妈”,是天涯们的生路吗?

本文来自微信公众号:字母榜(ID:wujicaijing),作者:毕安娣,编辑:王靖,题图来自:视觉中国

文章摘要
天涯社区和Photobucket都面临资金困难和破产的压力,但Photobucket通过与AI公司的数据交易找到了新的出路。

• 💸 Photobucket拥有海量照片和视频数据,对于数据饥渴的AI公司具有巨大价值。

• 🤝 AI公司愿意与Photobucket等老牌社区进行数据交易,以获得所需的训练数据。

• 📊 天涯社区和Photobucket等UGC平台可以通过授权数据给AI公司来获得新的收入来源。

老牌中文社区天涯已经住进“ICU”整整一年,破产看来已经注定,但最近一家美国同行搭上AI快车的消息,又给天涯带来了一丝希望。


去年4月,因拖缴数据机房费用,天涯社区遭“断网”。


症结是缺钱。天涯社区称,危机来自于近几年资金流动性困难加剧,电信IDC欠费,导致天涯社区暂停访问。


再听到天涯的消息,是在今年2月底,全国企业破产重整案件信息网上公开一条“天涯社区网络科技股份有限公司被申请破产审查”的信息。


尽管天涯方面否认即将破产的传闻,但天涯重见天日的可能性,到底是更加渺茫了。


在美国,一家式微的老牌内容平台,却依靠AI的浪潮找到了副业,吃下了热钱——第三方图片托管平台Photobucket,一度拥有7000万用户,占据美国在线照片市场的近一半份额。如今,Photobucket辉煌不再,只有约200万人还在使用它。


正所谓“瘦死的骆驼比马大”,已经被大部分人遗忘的Photobucket有之前多年的积累,依然坐拥上百亿照片和视频。而这,正是患上“数据饥渴症”的AI公司最需要的。


在AI热潮下,不断有公司找上门来。以正在进行的谈判来粗略估计,Photobucket手里掌握的内容可能价值数十亿美元。


有钱但缺数据的AI公司,遇上没钱但积累了海量内容的老牌社区,不交易一下才奇怪。



Photobucket正在与AI公司谈交易的消息,是由路透社曝出的。


有意思的是,报道中有一句话在后续编辑中被删除:“公司预计,其第一季度营业利润将增长10倍,达到近49亿美元。”


49亿美元是什么概念?


Photobucket作为一家图片托管网站,刚开始是免费的。在千禧年前后,互联网用户激增,人们或为了记录生活,或为了分享,乐于将照片上传到一个专门的网站。而且,在Photobucket上传了图片后,人们还可以在其他网站如MySpace直接嵌入,省得反复上传。一些卖家也会在eBay或亚马逊使用Photobucket托管的图片。


用这种方式,巅峰时期的Photobucket一度占据了美国互联网流量的2%。


由免费转向付费,似乎是Photobucket的必经之路。不过,Photobucket有点太心急了。2017年时,Photobucket突然将第三方显示变为每年399美元的付费订阅服务。此举并没有提前的充分预警,很多用户发现自己在其他网站嵌入的Photobucket图片都无法展示,变成了“付费以解锁”的提示。


要知道,Photobucket当时已经有1亿注册用户,有约6000万第三方网站的图片在此次“升级”下无法正常显示。在争议之下,Photobucket次年将年订阅模式改为可月付的模式,并沿用至今。


Photobucket也就此走上下坡路。后续几年,Photpbucket又经历了服务中心断电导致服务中断、隐私泄露等“意外”,渐渐从备受欢迎的图片网站变成了互联网边角料产品。公司规模也从鼎盛时期的120名员工缩水到了40人。


目前Photobucket网站提供的付费计划中,最贵的每月收取8美元。以最新报道透露的200万用户在使用Photobucket来计算,哪怕他们全部月付8美元,每年也仅能贡献1.9亿美元。而且这对Photobucket来说只是收入,还没有剔除存储、维护、运营等各项成本。


虽然Photobucket在过去二十年损失了不少用户,但除非用户注销,否则它会一直保留着用户的图片。即便是在不再支持免费账户的情况下,Photobucket也明确通知用户:你的照片还在,只需要现在开始付费,就能重新看到它们。


不断有已经弃用Photobucket的用户在社交媒体上吐槽,称自己频繁收到Photobucket“求复合”的邮件,已经不堪其扰。


既然图片都在,海量的内容还存储在服务器上,为什么不用它们赚上一笔?将平台内容授权给AI公司,获得49亿美元,对Photobucket来说可以算是一笔巨款了。



为什么AI公司会找上“明日黄花”Photobucket?


答案很简单,太缺数据了。以OpenAI的GPT系列模型为例,GPT-3使用了3000亿的token,GPT-4使用了12万亿的token。而已经在路上的GPT-5所需的token量预估在60万亿到100万亿。


“规模即一切”成为AI的战斗口号。霍普金斯大学卢纶物理学家贾里德·卡普兰(Jared Kaplan)在2020年发表了一篇关于AI的开创性论文,其表明训练数据越多,大型语言模型的表现越好,就像学生通过阅读更多书籍来学习更多知识一样。


互联网上公开可用的数据在大模型面前并不是取之不尽的。据人工智能研究机构Epoch估计,2026年所有高质量可用数据就有可能被耗尽,互联网生产数据的速度有可能比不上不断膨胀的大模型的消耗速度。


“数据饥渴”的AI公司获取数据的路径,总结起来就是:


  • 免费的,直接用;


  • 自家的,直接用且不给别人用;


  • 可以付费的,付费;


  • 付费也买不到的,必要时想想办法弄到手。


近日,《纽约时报》报道OpenAI曾在训练GPT-4时利用了谷歌旗下YouTube的内容。直接取用肯定不行,谷歌不让啊。于是OpenAI计上心头,创建了一个名为Whisper的语音识别工具,将超过100万小时的YouTube视频转录,然后再喂给模型。


此前,尚未开放给大众的文本-视频工具Sora也引起了外界怀疑。在一次采访中,OpenAI的首席技术官米拉·穆拉蒂(Mira Murati)没有正面回应“是否使用YouTube、Instagram、Facebook等平台的内容训练Sora”这一问题,她听到该问题时复杂的表情甚至成为了互联网梗图。


YouTube首席执行官尼尔·莫汉(Neal Mohan)在4月5日对此表态,称目前没有证据表明OpenAI用了YouTube视频训练Sora,但如果OpenAI真这么做了,那“明显违反”了YouTube平台的使用条款


要是以为YouTube是在努力保护用户(或说创作者),可能有点天真。莫汉在采访中也提到,谷歌确实用了YouTube上的一些内容训练了旗下大模型Gemini。


另一边,巨头Meta的马克·扎克伯格(Mark Zuckerberg)也将平台数据视为自己的竞争优势。扎克伯格曾直言:“我们战术的下一个关键部分是从独特的数据中学习。”“在Facebook和Instagram上,有数千亿张公开分享的图片和数百亿段公开视频。”


在去年怒喷微软,威胁要起诉其使用X的数据训练AI的埃隆·马斯克(Elon Musk),也悄悄更新了X的隐私政策,表示会使用社交媒体数据来训练机器学习和AI模型。在网友的追问下,马斯克干脆承认:“只会用公开信息(训练),不会用私信和任何私人数据。”


有海量UGC(用户生成内容)且自己也做AI的公司,数据是不卖的,只给自己用。其他AI公司要么就铤而走险偷偷用,要么就要去找那些有内容但愿意出售的公司。


ShutterStock和Reddit都是活跃在数据交易场上的“大卖家”。


图片网站ShutterStock几乎和所有叫得上名字的AI大公司都合作了个遍,包括但不限于OpenAI、Meta、谷歌、亚马逊,达成使用其图片训练AI的协议。每笔交易的最初价格从2000万美元到5000万美元不等,而且后续还扩大了交易规模。


随着AI浪潮翻涌,“美国贴吧”Reddit意识到自己的数据对AI公司至关重要,且非常宝贵。去年开始,Reddit开始与一系列AIGC领军企业展开谈判,商议数据付费使用的问题。说白了就是不付费要授权,休想用这一头部“美国贴吧”的内容喂AI了。谈判陆续有了进展,如今年2月,Reddit就与谷歌达成协议,授权数据给其训练AI,合同价值约每年6000万美元。


在这样的态势下,Photobucket这样的老牌社区被盯上只是时间问题。


Photobucket的首席执行官泰德·伦纳德(Ted Leonard)表示,他正在和多家科技公司谈判,涉及130亿个内容(照片和视频)的授权。每张照片的授权价格在5美分到1美元,视频则为1美元以上。


一位买家告诉伦纳德,他们想要超过10亿个视频,比Photobucket拥有的还多。以现在的谈判来看,Photobucket坐拥价值数十亿美元的内容数据。


机智的Photoshop在去年10月更新了其用户条款,授予平台“不受限制的权利”,可以出售任何上传的内容,用于培训AI系统。


伦纳德甚至表示,有望用数据授权替代公司的广告销售业务。



繁忙的数据交易市场,也许给式微甚至已经死亡的UGC平台提供了一个“副业”。


天涯究竟积累了多少内容不可知,几个数据可以从侧面一窥其规模。巅峰时期,天涯的日访问量曾达到2000万。


在中文社区的黄金时代,流行着“全民话题,天涯制造”的说法。众多初代网红诞生于这里,如芙蓉姐姐、极品小月月、犀利哥等。众多畅销书孵化于此处,如《鬼吹灯》《明朝那些事儿》《东北往事:黑道风云二十年》《法医秦明》等等。


中文论坛对AI训练的用处也正在被关注。


一项研究显示,百度贴吧的“弱智吧”显现出不俗的数据训练效果。


这项研究由中科院深圳先进技术研究院、中科院自动化研究所、滑铁卢大学等众多高校、研究机构联合完成,提出了一个高质量的中文指导优化数据集。研究中用中文指导优化数据集训练了不同类型和大小的模型,探讨了各种数据源对模型性能的影响。在测试中,百度贴吧“弱智吧”的得分颇高。


“弱智吧”聚集了300个成员,并不是真的和智力障碍相关,而是“假装弱智”,发表一些烧脑言论。如“如果高中的入学率不高,为什么不直接录用大学生”,或“为什么我爸妈结婚的时候没有邀请我”。研究人员猜测,可能是“弱智吧”的问题增强了AI的逻辑推理能力。


这是全民创作和AI之间碰撞出的火花,社区内容有时能贡献意想不到的惊喜。


不过,横在社区内容和AI之间的,还有用户。


就像Photobucket忙不迭地更新用户条款,中文互联网的“内容确权”也一直是个问题。


一方面,中文互联网平台早已形成了将授权条款埋入用户条款里的习惯。目前所能查到的天涯2017年的《隐私和版权》协议中写明:“用户发表并将其上传到本网站的任何内容,本社区在全世界范围内不限形式和载体地享有永久的、不可撤销的、免费的、非独家的使用权和转授权的权利,包括但不限于修改、复制、发行、展览、改编、汇编、出版、翻译、信息网络传播、广播、表演和在创作及著作权法等法规确定的其他权利。”


天涯“断电”后,网络上售卖“天涯神帖合集”的生意走俏。天涯曾在重启公告中称,关注到天涯神贴在各大平台大受欢迎,“计划从现在开始发展一批高级会员,在回复访问后的天涯社区平台上开辟天涯神贴付费专区”。


在重启公告的最后,天涯表示,“无论是预购一个‘99元天涯神贴服务’,还是预购一个‘299元一对一数据下载服务’,都是对天涯重启非常重要的助力”。文末,天涯附上了购买二维码。


另一方面,平台是否就此有权将用户内容授权给其他公司以训练AI,还有待商榷。


用户对此颇为警惕。


在去年,小红书曾更新用户条款,在“用户内容及信息授权”中写着“您授予xxx公司免费的、不可撤销的、非排他的、无地域限制的许可使用”,并表示“上述许可包括使用、复制和展示用户内容中受保护的个人形象、肖像、姓名、商标、品牌、标识及其他营销推广素材、物料的权利和许可”,加之彼时恰有插画师质疑AI工具涉嫌抄袭,而引发了插画师对平台用自己上传的作品训练AI的担忧,不少插画师公开抵制,并宣布在该平台停更。


如今PhotoBucket首席执行官接受采访,并坦诚平台与AI公司进行授权协议,但并不是每个AI公司都对其内容放心。


Defened.ai的首席执行官布加拉(Daniela Braga)表示,她避免从Photobucket这样的平台公司获取内容,而更喜欢从创作这些照片的原作者那里获取授权:“我认为这非常危险。”“如果有一些AI生成的东西类似于某个从未点头许可的人的照片,那就有麻烦了。”


参考资料:

1.量子位:《弱智吧竟成最佳中文AI训练数据?中科院等:8项测试第一,远超知乎豆瓣小红书》

2.每日经济新闻:《天涯社区重启时间表公布 谁会花99元买“天涯神贴服务”?》

3.科技狐:《成立 23 年,承载无数人记忆的社区关闭了……》

4.钛媒体:《钛媒体独家|天涯社区App“复活”,上线应用商店但无法正常使用,公司正筹资1000万元》


本文来自微信公众号:字母榜(ID:wujicaijing),作者:毕安娣,编辑:王靖

本内容为作者独立观点,不代表虎嗅立场。未经允许不得转载,授权事宜请联系hezuo@huxiu.com
如对本稿件有异议或投诉,请联系tougao@huxiu.com
正在改变与想要改变世界的人,都在 虎嗅APP
赞赏
关闭赞赏 开启赞赏

支持一下   修改

确定