NVIDIA、苹果等巨头被曝违规用数据训练AI：数据集包含来自超过48000个频道的视频文本

　　这些公司被发现使用了超过173536个YouTube视频的字幕数据，而这些数据的获取并未得到视频创作者的许可。

　　这些公司所使用的数据集名为“YouTube Subtitles”，由非营利组织EleutherAI创建，该数据集包含了来自超过48000个频道的视频文本。

　　其中不乏知名教育机构和媒体公司的内容，例如可汗学院、麻省理工学院、哈佛大学等，此外，一些广受欢迎的YouTube创作者，如MrBeast等的视频也被包括在内。

　　此前，EleutherAI发布了名为“Pile”的数据汇编，其中的大部分数据集都是对公众开放的，包括YouTube Subtitles。

　　不过值得注意的是，苹果在使用Pile数据集训练OpenELM模型时，并未直接下载数据，因此在技术层面上，是EleutherAI违反了YouTube的使用条款。

　　YouTube明确禁止未经授权从平台获取素材，同时这些数据不仅用于训练AI，还可能涉及到版权和隐私问题。

　　创作者们也对此表示震惊和不满，因为他们并未被告知自己的作品被用于商业目的，更遑论从中获得任何补偿。