《科創(chuàng)板日?qǐng)?bào)》4月19日訊（編輯 鄭遠(yuǎn)方）AIGC熱潮下，數(shù)據(jù)重要性愈發(fā)凸顯,。以ChatGPT為首的人工智能,，由龐大數(shù)據(jù)集訓(xùn)練而成。如今,，已有公司“揭竿而起”要求收費(fèi),，不再甘于被微軟、谷歌等科技巨頭免費(fèi)用數(shù)據(jù),。

當(dāng)?shù)貢r(shí)間周二,，Reddit宣布，將向使用其API訓(xùn)練AI聊天機(jī)器人的公司收取數(shù)據(jù)使用費(fèi),，其中便包含微軟,、谷歌、OpenAI等,。

之前這些公司都通過(guò)應(yīng)用程序編程接口（API）下載并處理論壇上的聊天內(nèi)容,，并將聊天內(nèi)容當(dāng)做免費(fèi)訓(xùn)練工具，用于開(kāi)發(fā)新AI系統(tǒng),。例如,，谷歌聊天機(jī)器人Bard的底層算法之一便是用Reddit聊天數(shù)據(jù)訓(xùn)練而來(lái)；OpenAI的ChatGPT也將Reddit數(shù)據(jù)納入大型語(yǔ)言模型的訓(xùn)練內(nèi)容,。

Reddit是美國(guó)訪問(wèn)量最大的網(wǎng)站之一,，用戶可以在其中創(chuàng)建并分享內(nèi)容，還有人將其稱為“美國(guó)版百度貼吧”。

公司創(chuàng)始人兼首席執(zhí)行官Steve Huffman表示,，“Reddit比互聯(lián)網(wǎng)上任何其他地方都更適合聊天,，平臺(tái)上很多內(nèi)容是用戶只會(huì)私下說(shuō)的、或壓根不會(huì)說(shuō)的東西,。Reddit的數(shù)據(jù)庫(kù)確實(shí)很有價(jià)值,，我們沒(méi)有必要免費(fèi)提供這些價(jià)值給世界上最大的公司?！?/p>

這也是首次有社交媒體公司明確向OpenAI等收取費(fèi)用,，開(kāi)放訪問(wèn)權(quán)用于開(kāi)發(fā)人工智能系統(tǒng)。

目前,，Reddit暫未公布具體收費(fèi)標(biāo)準(zhǔn),，但其表示，將會(huì)給出不同的等級(jí),，根據(jù)使用者的規(guī)模和需求來(lái)收費(fèi),。此外，這一舉措不會(huì)影響那些使用API來(lái)創(chuàng)建和維護(hù)內(nèi)容審核工具的人,，Reddit會(huì)為他們提供專門的iOS和Android應(yīng)用程序,。

實(shí)際上，眼下已意識(shí)到數(shù)據(jù)價(jià)值的公司并不止Reddit——圖片托管服務(wù)商Shutterstock已把圖像數(shù)據(jù)出售給OpenAI,，幫助開(kāi)發(fā)了DALL-E,；許多公司也在使用API追蹤推特上的聊天內(nèi)容，推特計(jì)劃針對(duì)API使用收取幾萬(wàn)到幾十萬(wàn)美元不等的費(fèi)用,。

▌數(shù)據(jù)已成“AI發(fā)展的勝負(fù)手”

為了不斷改進(jìn)AI模型,，有兩個(gè)關(guān)鍵因素不可或缺：強(qiáng)大的計(jì)算能力和大量可用的數(shù)據(jù)。一些大型AI開(kāi)發(fā)公司通常擁有足夠的算力,，但仍會(huì)在互聯(lián)網(wǎng)上尋找改進(jìn)算法所需的數(shù)據(jù),，數(shù)據(jù)來(lái)源包括維基百科,、各種數(shù)字化書籍、學(xué)術(shù)文章和Reddit論壇上的聊天內(nèi)容等,。

OpenAI就曾透露,，訓(xùn)練ChatGPT使用了45TB的數(shù)據(jù)、近1萬(wàn)億個(gè)單詞,，大概是1351萬(wàn)本牛津詞典所包含的單詞數(shù)量,。

知乎在日前發(fā)布大模型“知海圖AI”，其倚仗的一大有力支撐便是中文互聯(lián)網(wǎng)大量問(wèn)答內(nèi)容,。知乎創(chuàng)始人,、董事長(zhǎng)兼CEO周源表示，AI時(shí)代,，生產(chǎn)力的三要素分別是應(yīng)用場(chǎng)景,、專有數(shù)據(jù)和基礎(chǔ)模型。其中,，知乎以問(wèn)答為基礎(chǔ)的討論場(chǎng)景是天然的應(yīng)用場(chǎng)景,，構(gòu)成了獨(dú)一無(wú)二的專有數(shù)據(jù)。

而彭博的BloomberGPT訓(xùn)練數(shù)據(jù)總量約為5300億次,，其中金融行業(yè)數(shù)據(jù)約為2720億次,，約占所有訓(xùn)練數(shù)據(jù)的54.2%，來(lái)源包括網(wǎng)絡(luò),、新聞,、公司公告與財(cái)務(wù)報(bào)表以及彭博自己的新聞庫(kù)。

海量數(shù)據(jù)為基礎(chǔ)的大模型訓(xùn)練產(chǎn)生了突現(xiàn)能力（Emergent Ability）,，帶來(lái)AI研究范式轉(zhuǎn)變,。只有在訓(xùn)練數(shù)據(jù)量足夠大時(shí)，量變才能引起質(zhì)變,。而GPT相比于此前模型所具備的“泛化能力”,，就是以海量數(shù)據(jù)為基礎(chǔ)產(chǎn)生的。

在這種情況下,，數(shù)據(jù)更有了“AI發(fā)展的勝負(fù)手”之稱——算法,、算力和數(shù)據(jù)是AI發(fā)展的三大重要基礎(chǔ)。東吳證券指出,，對(duì)于我國(guó)而言,，算法和算力都可以通過(guò)挖掘優(yōu)質(zhì)人才、引進(jìn)優(yōu)秀工程實(shí)踐,，或者直接購(gòu)買海外優(yōu)質(zhì)資產(chǎn)追趕,。而培養(yǎng)中文環(huán)境的優(yōu)質(zhì)數(shù)據(jù)集、語(yǔ)料庫(kù)卻必須長(zhǎng)期自我積累沉淀，未來(lái)數(shù)據(jù)將成為AI發(fā)展的勝負(fù)手,，并有望為中國(guó)訓(xùn)練自己的大模型,，走出差異化道路提供重要基礎(chǔ)。