OpenAI：纽约时报雇黑客攻击我_风闻

　　梦晨 发自 凹非寺

　　量子位 | 公众号 QbitAI

　　堂堂AI巨头，怎么就被一家报纸雇黑客攻击了？

　　《纽约时报》诉OpenAI侵犯版权索赔数十亿美元案最新进展：

　　在最新提交的法庭文件中，OpenAI声称《纽约时报》花钱找黑客攻击ChatGPT，人为制造侵权结果。

　　使用欺骗性手段进行数万次尝试，才得到高度异常结果。

　　这项诉讼要是输了，那对OpenAI来说可能是毁灭性打击。

　　数十亿美元罚款都是小事了，按法律界的分析，连ChatGPT都可能被迫全部擦除，重头开始训练。

　　大家都知道，美国法律要遵循之前判例的原则。

　　在过去几十年的科技公司vs版权方的案子中，法院可并不总是站在科技公司一边。

　　这次OpenAI主张《纽约时报》雇佣黑客，还真的非常关键了。

　　纽约时报如何攻击ChatGPT

　　去年12月，《纽约时报》起诉OpenAI和他的微软爸爸，称ChatGPT和Copilot都未经许可利用其内容训练。

　　当时，《纽约时报》展示了足足100个GPT-4一字不落背出真实报道段落的例子。

　　这样一来，ChatGPT就可以算作报纸的竞争品。

　　OpenAI这边，辩称这是一个漏洞，并承诺已经在修复。

　　具体来说，当AI生成与训练数据非常相似的样本时，可能发生**“数据回流”**（regurgitation of training data），类似于人类听到上句就会条件反射般的接下句，谁也拦不住。

　　他们认为《纽约时报》利用这一漏洞，使用特殊的提示词要求ChatGPT输出特定文章的开头，并继续要求输出下一句话。

　　OpenAI预计需要反复尝试上万次才能生成这些整篇的文章，而且还不是按顺序的，而是“分散和无序的引用”。

　　正常人不可能这么使用ChatGPT，也不会把它当成《纽约时报》的替代品。

　　OpenAI指责《纽约时报》故意误导法庭，“使用省略号来掩盖”ChatGPT吐出报道片段的顺序，造成了“ChatGPT生成了文章的连续和不间断片段的错误印象”。

　　并且《纽约时报》从来没有披露过他们生成这些证据的具体提示词，以及是否修改了系统提示词等等细节，就挺心虚的。

　　至于提示词攻击算不算黑客行为，有网友表示怎么不算，如果认可提示词工程真的算一种工程，那提示词攻击就算攻击。

　　现在OpenAI主要从两个地方反击：

　　一是主张这种提示词攻击公然违反了OpenAI的产品使用条款。

　　二是主张互联网上公开内容是可以被合理使用的。

　　这就要抱紧谷歌大腿了，20年前谷歌整了个大活，扫描数百万本图书放到搜索引擎上，被一堆出版商和作家协会给告了。

　　官司反反复复打了10多年，最终谷歌艰难的赢了，被判这些数据是合理使用。

　　当时裁决认为用户只能看到图书的简短片段，永远无法从受版权保护的书籍中恢复较长的段落。

　　谷歌制作书籍的数字副本以提供搜索功能是一种变革性的使用，它通过提供有关原告书籍的信息来增加公众知识，而不向公众提供书籍的实质性替代品。

　　不光OpenAI，同样面临版权诉讼的Stability AI等AI图像生成公司，都在坚持他们做的事与谷歌当年一样：

　　都是**“学习训练数据中关于作品的信息，但不复制作品本身的创造性表达”**。

　　然鹅还有一个有争议的地方，AIGC产品确实会产生创造性的作品，与接受训练的作品直接竞争。

　　所以这一批AI公司面临的危机，比谷歌当年面临危机还要大一些。

　　再不卖数据就晚了

　　实际上，像《纽约时报》这样和AI闹得不愉快的内容公司是少数。

　　更多互联网公司都在争先恐后出售自己的数据，反正这些AI公司又不是没钱。

　　Sora视频，就被找出明显有OpenAI合作伙伴Shutterstock素材的影子。

　　上周，“美国贴吧”Reddit刚刚跟谷歌签了协议，6千万美元一年，让谷歌可以实时获取论坛数据用于AI训练。

　　OpenAI这边肯定早就用上了，毕竟山姆奥特曼本人就和Reddit公司关系匪浅，而且早年比GPT-1还早的原型研究，就是在Reddit数据上训练聊天机器人。

　　现在Tumblr和WordPress也赶紧跟进，把用户数据出售给OpenAI和Midjourney。

　　虽然他们的用户听到这个消息都挺不高兴的，但是没办法，当初注册账号的时候可是必须同意使用条款，其中把数据归属早就安排明白了。

　　当然AI公司买过来这些数据也不是直接塞AI嘴里就好使的，学术界现在也研究如何高效利用。

　　刚刚还有一篇语言模型训练的数据选择综述出炉，提出用于比较和对比不同的数据选择方法的框架，还倡议：

　　加速数据选择研究，如开发直接评估数据质量的指标，减少对昂贵模型训练的依赖。

　　更好地理解数据分布的特性，以便更精确地选择数据。

　　将计算时间从模型训练转移到数据处理。

　　随着AI生成的内容在互联网上铺开，后面再训练大模型的都绕不开使用AI生成的数据了，就说多少家大模型“承认”过自己是OpenAI训练的了吧。

　　同样中文数据也绕不开文心一言，谷歌Gemini都闹过笑话（已修复）。

　　坐拥大量人类古法手打数据的互联网公司，再不抓紧卖，AI就能自给自足了。

　　参考链接：

　　[1]https://s3.documentcloud.org/documents/24443836/nysd-case-612697.pdf

　　[2]https://arstechnica.com/tech-policy/2024/02/openai-accuses-nyt-of-hacking-chatgpt-to-set-up-copyright-suit/

　　[3]https://arxiv.org/abs/2402.16827