# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
纽约时报起诉OpenAI和微软的案子，可能成为影响AI技术发展的里程碑式案例。
《纽约时报》作为西方传统媒体中影响力最大的机构之一，下场与代表AI技术「最先进生产力」的OpenAI开撕，本身就话题性十足。
一位传统媒体人Jason Kint，在读完了《纽约时报》的起诉书之后，觉得《纽约时报》的确理由充分。
他把起诉书中的重点总结了出来发到推上，一天之内就发酵了280万的阅读量。
另一位大佬Daniel Jeffries则出来打脸Jason Kint，认为他的文章充满了「过于乐观的幻想」，以及「对版权法的误解」。
Jason Kint总结的《纽约时报》起诉书中，从版权法的起源开始，总结了版权保护对于传统媒体获取新闻的重要性。
而ChatGPT侵权行为最重要的证据，是《纽约时报》提供的100多个GPT-4输出内容和《纽约时报》报道文章高度相似的例子。
这些高度相似的输出案例对于法官判断是否存在侵犯版权的情况，将会起到关键作用。
诉状还详细说明了OpenAI训练数据来源的偏好和权重，说明了《纽约时报》的内容是OpenAI用来训练ChatGPT的关键来源。
如果OpenAI能够无偿地使用《纽约时报》的内容来训练自己的产品，会破坏传统媒体对于产生新闻的投资和收益生态，从而破坏整个新闻市场。
《纽约时报》还把搜索引擎的结果拿出来和Bing Chat生成的内容进行了对比。
诉状认为搜索引擎提供的内容能直接让用户访问《纽约时报》的内容，而Bing Chat提供的答案中，原本《纽约时报》的链接就变成了一个小小的注脚，很难被用户注意到。
而纽约时报同时，也希望法院将OpenAI与其他作家之间的纠纷，与自己的案件进行合并审理，这样能增加诉求被支持的可能性。
就目前《纽约时报》和其他起诉OpenAI侵犯版权的案件中，焦点都集中在，ChatGPT输出的内容如果是受到版权保护的，是否就应该被认为是侵犯了版权所有者的权利。
针对这个问题，大部分支持OpenAI的声音都认为，纽约时报中提交的证据，没法证明侵权行为的存在。
然而，另外一位大佬Daniel Jeffries则认为，《纽约时报》几乎是不可能胜诉的：
Jason Kint似乎坚信自己对诉讼的解读是准确无误的。但实际上，他的文章充满了过于乐观的幻想、对版权法的误解，以及一些无关紧要的干扰因素。
他非常希望这个案子能够成为一个里程碑，确立媒体有权利向机器收费，但这其实是版权法根本没有规定的事项——他所理解的文本内容并不是他所想的那样，甚至连「稳操胜券」的可能都没有。
事实上，情况正相反。
首先，就像我之前提到的，试图要求每个人为训练数据支付授权费是不切实际的，因为这并不是版权法所涉及的问题。
其次，Kint提出的所谓证据，大多是巧言令色、故意转移话题，根本不足以证明实质的侵权行为，因为侵权的关键在于作品的输出内容，而非输入内容。
我们都可以免费学习，从周遭的世界吸取知识，机器也应该如此。
《纽约时报》的作者们在自己学习如何写出简洁有力的句子时，并没有向海明威的遗产支付费用。
年轻的四分卫也不需要得到Tom Brady的允许，就可以研究他的动作，学习如何投球。
版权法的宗旨是防止人们复制或近乎复制内容，并为了商业利益将其发布，就是这么简单。
把微软市值增加1万亿美元，和用于训练的数据相提并论，简直是荒谬至极。
《纽约时报》试图将其报道战争、谋杀和政治的新闻价值与此案件挂钩？这根本就是风马牛不相及的事。提这个无非是想转移视线，毫无实际意义。
他们试图将难以捉摸的公共利益价值与股票价值相联系，这种做法是行不通的。
即使是他们所引用的最有煽动性的证据——声称是GPT精确复制了《纽约时报》内容的提示，也显然是人为操纵的结果。
任何从事AI工作的人都能在瞬间看穿这一点。而且，没有人能用他们所谓的提示重现那个逐字的输出。
为什么呢？
因为那个逐字输出几乎可以肯定不是通过记忆得来的，而是通过检索增强（Retrieval-Augmented Generation, RAG）结合网络搜索得到的。
可能是程序员通过API特意指令它寻找某篇特定的文章，并让它输出文章的一部分，而他们只是提供了部分提示而非全部。
如果我让它去找一篇《纽约时报》的文章并输出，那么责任在我，而不是这个模型。
此外，几十年前的编程库就能做到这一点，根本不需要用到机器学习技术。
如果把这种说法包括进去，这个案子肯定会败诉，因为律师们在现实世界中无法复现这一过程。
这个案件最可能的结局是通过庭外和解，由微软和OpenAI为他们所使用的训练数据支付许可费。
而这，实际上才是争议的焦点。
这种「和解」将为所有人设下一个不良的先例，因为缺乏实质性的判决，它让人误以为他们取得了胜利，好像人们应该为获取训练数据付出高昂的代价。
来自techdirt的记者Mike Masnick，也站出来表示：NYT这个诉讼本身就很「离谱」。
他表示，《纽约时报》的这起诉讼，在自己看来是「熟悉的配方，熟悉的味道」。
许多版权所有者都对AI公司提起过类似诉讼，已经有十几起了。但写下诉讼书的人，很多都显得很愚蠢，似乎丝毫不了解版权法。
而且，即使法院真的做出了利于《纽约时报》，也不可能如《纽约时报》所愿，转化成一大笔意外之财。
这件事唯一能改变的，就是建立起一个腐败的收集点，骗来少数几个有能力支付的傻子AI公司上当，交出这笔巨款。
在他眼里，《纽约时报》把自己描述为新闻自由奋战、阻止AI入侵的伟大捍卫者，但实际上，它所做的只是一个谈判策略——让OpenAI为数据训练付费而已。
几周前OpenAI，曾向行业巨擘Axel Springer支付了一笔可观的费用，以避免一场可能的诉讼。但OpenAI和《纽约时报》的谈判却没有取得类似成果，所以后者选择上诉。
《纽约时报》最理直气壮的观点是，GPT大模型部分使用了Common Crawl的数据进行训练，但Common Crawl的初衷是建成开放的网络资源库。
就如同谷歌的缓存和互联网档案馆的时光机一样，这项工具是纪录历史的档案，一直受到「合理使用」原则的保护。
然而，现在《纽约时报》却跳出来控诉了。
Mike Masnick强调，阅读/处理数据并不是版权法所限制的权利。
在多起诉讼中，原告们都急切地希望法官会对这种新颖的「生成式AI」技术感到惊奇，从而忽略版权法的基本原则，假设存在一些实际上并不存在的权利。
《纽约时报》的诉讼之所以与众不同，就是因为它展示了一系列文章内容一模一样的证据，然而，如果我们仔细了解生成式AI的原理，就会发现这件事没有那么耸动。
仅凭在法庭上的证据，要认定ChatGPT侵权是很难站得住脚的。
《纽约时报》为了能够引导GPT-4生成和《纽约时报》报道高度相似的文章，是这样操作 GPT-4 的：
首先提供给GPT-4报道的链接(URL)，然后给出了文章的标题和前七段半的内容作为「引导」，并请求GPT-4继续完成文章。
如果法官能够理解GPT-4的工作原理，那么他就能理解：GPT-4生成内容和原文几乎一样是很正常的了。
当你向像GPT这样的生成式AI提出一个提示，其实是在设置一系列参数，这些参数决定了它的输出范围和限制。在这些限制下，它尝试产生最可能的回复。
然而，当《纽约时报》长篇累牍地提供这些文章段落时，实际上是将GPT-4限制到只能生成与《纽约时报》原故事极其接近的内容上。
然而，诉状中的荒谬之处还不止于此。
因为，可以通过让ChatGPT引用文章最初的几段，每次仅引用一小段，以这种方式，某种程度上可以绕过《纽约时报》的付费墙。
可见，以这样的方式提示ChatGPT，几乎就相当于《纽约时报》逼着ChatGPT来生成和原文一致的内容。
当然，从新闻文章中引用单独的段落几乎肯定属于公平使用。
而且，值得注意的是，《纽约时报》本身也承认，这种做法实际上并没有提供完整文章的原文，而是给出了一个改写版本。
此外，这起诉讼似乎在表明，仅仅总结文章的内容本身就构成了侵权行为：
这其中的关键，并不在于GPT是如何训练的，而在于NYT是如何限制它的输出。
LLM的原理，并非是简单地重复扫描过的内容，而是在给定提示下，计算出下一个Token最可能出现的概率。
当NYT以这样的方式限制提示，让数据集仅限于一篇文章，输出结果自然就是原文了。
在另一方面，时报再次对GPT返回的实际信息提出了抱怨，这些信息并不受版权法的保护。
另一方面，GPT返回的实际信息让NYT抱怨，但这些信息并不受版权法的保护。
在投诉书的后面，《纽约时报》指出，「有时GPT会推荐错误的产品或编造内容，出现幻觉」。
所以，《纽约时报》是在抱怨GPT复制的内容过于精确，还是不够精确呢？
如果《纽约时报》成功地论证，其记者在撰写新闻报道之前，阅读第三方文章以学习新闻内容构成了版权侵权。对于NYT来说，一定不会接受这种做法。
如果要这样说，OpenAI分析NYT的文章，和NYT在未经授权的情况下分析其他的文章、书记、研究，究竟有什么区别？
或者，设想如果一位《纽约时报》的记者从其消息来源那里得到了一些受版权保护的材料（可能是文章、书籍或照片等），但《纽约时报》并未拥有这些材料的版权。
那么，这位记者能否利用这些材料来撰写一篇文章呢？
参考资料：
https://www.techdirt.com/2023/12/28/the-ny-times-lawsuit-against-openai-would-open-up-the-ny-times-to-all-sorts-of-lawsuits-should-it-win/
https://twitter.com/jason_kint/status/1740141400443035785
https://twitter.com/Dan_Jeffries1/status/1740303405254377808
文章来自于微信公众号“新智元”，作者 “新智元编辑部”
【开源免费】DeepBI是一款AI原生的数据分析平台。DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据。用户可以使用DeepBI洞察数据并做出数据驱动的决策。
项目地址：https://github.com/DeepInsight-AI/DeepBI?tab=readme-ov-file
本地安装：https://www.deepbi.com/
【开源免费】airda(Air Data Agent)是面向数据分析的AI智能体，能够理解数据开发和数据分析需求、根据用户需要让数据可视化。
项目地址：https://github.com/hitsz-ids/airda
【开源免费】graphrag是微软推出的RAG项目，与传统的通过 RAG 方法使用向量相似性作为搜索技术不同，GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。
项目地址：https://github.com/microsoft/graphrag
【开源免费】Dify是最早一批实现RAG，Agent，模型管理等一站式AI开发的工具平台，并且项目方一直持续维护。其中在任务编排方面相对领先对手，可以帮助研发实现像字节扣子那样的功能。
项目地址：https://github.com/langgenius/dify
【开源免费】RAGFlow是和Dify类似的开源项目，该项目在大文件解析方面做的更出色，拓展编排方面相对弱一些。
项目地址：https://github.com/infiniflow/ragflow/tree/main
【开源免费】phidata是一个可以实现将数据转化成向量存储，并通过AI实现RAG功能的项目
项目地址：https://github.com/phidatahq/phidata
【开源免费】TaskingAI 是一个提供RAG，Agent，大模型管理等AI项目开发的工具平台，比LangChain更强大的中间件AI平台工具。
项目地址：https://github.com/TaskingAI/TaskingAI
【开源免费】MindSearch是一个模仿人类思考方式的AI搜索引擎框架，其性能可与 Perplexity和ChatGPT-Web相媲美。
项目地址：https://github.com/InternLM/MindSearch
在线使用：https://mindsearch.openxlab.org.cn/
【开源免费】Morphic是一个由AI驱动的搜索引擎。该项目开源免费，搜索结果包含文本，图片，视频等各种AI搜索所需要的必备功能。相对于其他开源AI搜索项目，测试搜索结果最好。
项目地址：https://github.com/miurla/morphic/tree/main
在线使用：https://www.morphic.sh/