英偉達版Sora曝光——

代號Cosmos，研究副總裁劉洺堉擔任負責人。

不過隨著幾份內(nèi)部文件的泄露，他們還被曝非法抓取數(shù)據(jù)。

（確實這也不是一次兩次了……）

員工被默許每天在網(wǎng)絡(luò)上抓取任何未經(jīng)授權(quán)、未經(jīng)同意數(shù)據(jù)，比如YouTube、奈飛等等這種平臺上。

合起來，每天抓取的幾乎是一個人80年能感知到的視覺數(shù)據(jù)。

結(jié)果英偉達回應(yīng)稱：我們這做法，完全合法！

英偉達版Sora曝光：代號Cosmos

據(jù)404Media所獲取的泄密文件顯示，英偉達每天都會抓取非法數(shù)據(jù)來訓練新模型。

Cosmos的目標是構(gòu)建一個最先進的視頻基礎(chǔ)模型。據(jù)泄露的郵件顯示該模型集合了光傳輸、物理和智能的模擬，以解鎖對各種下游應(yīng)用。

△圖源：404 Media

比如被用到Omniverse 3D 世界生成器、自動駕駛汽車系統(tǒng)和數(shù)字人產(chǎn)品。

英偉達研究副總裁Ming-Yu Liu（劉洺堉）擔任Cosmos的項目負責人。

他同時也是IEEE Fellow。他帶領(lǐng)英偉達Deep Imagination研究小組，推出了NVIDIA Picasso [Edify]、NVIDIA Canvas [GauGAN]和NVIDIA Maxine [LivePortrait]等產(chǎn)品。

此前5月份的一封電子郵件中顯示：

我們正在完成 v1 數(shù)據(jù)管道并確保必要的計算資源，以構(gòu)建一個視頻數(shù)據(jù)工廠，該工廠每天可以產(chǎn)生相當于人類一生視覺體驗的訓練數(shù)據(jù)。

△圖源：404 Media

這張圖中顯示英偉達首席科學家 Francesco Ferroni給了個表格鏈接，里面匯集了各種視頻數(shù)據(jù)集，包括 MovieNet（一個包含 60,000 個電影預(yù)告片的數(shù)據(jù)庫）、WebVid、 InternVid-10M，以及幾個內(nèi)部捕獲的視頻游戲鏡頭數(shù)據(jù)集。

如今據(jù)一位前員工爆料稱，員工會被要求從YouTube、奈飛等來源來抓取數(shù)據(jù)。

他們會使用一個名為yt-dlp的開源YouTube視頻下載器，它能使用虛擬機來刷新IP地址，以避免被YouTube屏蔽。

為此，英偉達向404 Media回應(yīng)稱：

我們尊重所有內(nèi)容創(chuàng)作者的權(quán)利，并相信我們的模型和研究工作完全符合版權(quán)法的條文和精神。

版權(quán)法保護特定的表達方式，但不保護事實、想法、數(shù)據(jù)或信息。任何人都可以自由地從其他來源了解事實、想法、數(shù)據(jù)或信息，并用它來表達自己的觀點。合理使用還保護將作品用于變革性目的的能力，例如模型訓練?！?/p>

而谷歌則是扔給404 Media一個鏈接，今年4月YouTube CEO表示，如果OpenAI用YouTube視頻來訓練Sora，那么明顯違反YouTube的使用條款。

而奈飛則表示，他們并未與英偉達達成內(nèi)容提取協(xié)議，而且該平臺的服務(wù)條款不允許抓取內(nèi)容。

有意思的是，同一天，YouTube博主正在尋求對OpenAI集體訴訟，指控該公司在未通知或補償視頻所有者的情況下，使用數(shù)百萬條 YouTube 視頻記錄來訓練其生成式 AI 模型。

而此前這些大廠被曝非法抓取數(shù)據(jù)的事情也屢見不鮮。

不過必須要說的是，這種原始數(shù)據(jù)真的很有用…

之前英偉達還用游戲視頻，來改善訓練數(shù)據(jù)質(zhì)量。

最近登上Nature封面的那篇研究顯示，這種用最初互聯(lián)網(wǎng)數(shù)據(jù)訓練的大模型，具有先發(fā)優(yōu)勢，數(shù)據(jù)質(zhì)量最好，對應(yīng)的模型性能也最好。

之后隨著AI數(shù)據(jù)越來越泛濫，反而容易讓大模型崩潰。

Garbage in，Garbage out。

對于這件事，你怎么看呢？