Nature的一篇文章透露：你發過的paper，很可能已經被拿去訓練模型了！有的出版商靠賣資料，已經狂賺2300萬美元。然而辛辛苦苦碼論文的作者們，卻拿不到一分錢，這合理嗎？

最近，Nature的一篇文章向我們揭露了這樣一個事實：連科研論文，都被薅去訓AI了……

據悉，很多學術出版商，已經向科技公司授權訪問自家的論文，用來訓練AI模型。

一篇論文從醞釀idea到成稿，包含了多少作者日日夜夜的心血，如今很可能在不知情的情況下，就成為訓AI的資料。

更可氣的是，自己的論文還被出版商拿來牟利了。

根據Nature報告，上個月英國的學術出版商Taylor & Francis已經和微軟簽署了一項價值1000萬美元的協議，允許微軟獲取它的資料，來改進AI系統。

而6月的一次投資者更新顯示，美國出版商Wiley允許某家公司使用其內容訓模型後，直接一舉豪賺2300萬美元！

但這個錢，跟廣大論文的作者是半毛錢關係都沒有的。

而且，華盛頓大學AI研究員Lucy Lu Wang還表示，即使不在可開放獲取的儲存庫內，任何可線上閱讀的內容，都很可能已經被輸入LLM中。

更可怕的是，如果一篇論文已經被用作模型的訓練資料，在模型訓練完成後，它是無法刪除的。

如果現在，你的論文還尚未被用於訓練AI，那也不用擔心——它應該很快就會了！

資料集如黃金，各大公司紛紛出價

我們都知道，LLM需要在海量資料上進行訓練的，而這些資料通常是從網際網路上抓取的。

正是從這些訓練資料中數十億的token中，LLM推匯出模式，從而生成文字、圖像、程式碼。

而學術論文篇幅又長，資訊密度又高，顯然就是能喂給LLM的最有價值的資料之一。

而且，在大量科學資訊上訓練LLM，也能讓它們在科學主題上的推理能力大大提高。

Wang已經共同建立了基於8110萬篇學術論文的資料集S2ORC。起初，S2ORC資料集是為了文字挖掘而開發的，但後來，它被用於訓練LLM。

2020年非營利組織Eleuther AI建構的Pile，是NLP研究中應用最廣泛的大型開源資料集之一，總量達到800GB。其中就包含了大量學術來源的文字，arXiv論文比例為8.96%，此外還涵蓋了PubMed、FreeLaw、NIH等其他學術網站。

前段時間開放原始碼的1T token資料集MINT也挖掘到了arXiv這個寶藏，共提取到了87萬篇文件、9B token。

從下面這張資料處理流程圖中，我們就能發現論文資料的質量有多高——幾乎不需要太多的過濾和去重，使用率極高。

而現在，為了應對版權爭議，各大模型公司也開始真金白銀地出價，購買高品質資料集了。

今年，「金融時報」已經把自己的內容以相當可觀的價格，賣給了OpenAI；Reddit也和Google達成了類似的協議。

而以後，這樣的交易也少不了。

證明論文曾被LLM使用，難度極高

有些AI開發者會開放自己的資料集，但很多開發AI模型的公司，會對大部分訓練資料保密。

Mozilla基金會的AI訓練資料分析員Stefan Baack表示，對於這些公司的訓練資料，誰都不知道有什麼。

而最受業內人士歡迎的資料來源，無疑就是開源儲存庫arXiv和學術資料庫PubMed的摘要了。

目前，arXiv已經託管了超過250萬篇論文的全文，PubMed包含的引用數量更是驚人，超過3700萬。

雖然PubMed等網站的一些論文全文有付費牆，但論文摘要是免費瀏覽的，這部分可能早就被大科技公司抓取乾淨了。

所以，有沒有技術方法，能識別自己的論文是否被使用了呢？

倫敦帝國理工學院的電腦科學家Yves-Alexandre de Montjoye介紹道：要證明LLM使用了某篇確定的論文，是很困難的。

有一個辦法，是使用論文文字中非常罕見的句子來提示模型，看看它的輸出是否就是原文中的下一個詞。

有學者曾以「哈利·波特與魔法石」第三章的開頭提示GPT-3，模型很快正確地吐出了大約一整頁書中的內容

如果是的話，那就沒跑了——論文就在模型的訓練集中。

如果不是呢？這也未必是有效證據，能證明論文未被使用。

因為開發者可以對LLM進行編碼，讓它們過濾響應，從而不和訓練資料過於匹配。

可能的情況是，我們費了老大勁，依然無法明確地證明。

另一種方法，就是「成員推理攻擊」。

這種方法的原理，就是當模型看到以前見過的東西時，會對輸出更有信心，

論文地址：https://arxiv.org/abs/2112.03570

為此，De Montjoye的團隊專門開發了一種「版權陷阱」。

論文地址：https://arxiv.org/abs/2402.09363

為了設定陷阱，團隊會生成看似合理卻無意義的句子，並將其隱藏在作品中，比如白色背景上的白色文字或網頁上顯示為零寬度的欄位。

如果模型對未使用的控制句的困惑度，比對隱藏在文字中的控制句的困惑度更高，這就可以作為陷阱曾被看到的統計證據。

然而，即使能證明LLM是在某篇論文上訓練的，又能怎麼辦呢？

這裡，就存在一個由來已久的爭議。

在出版商看來，如果開發者在訓練中使用了受版權保護的文字，且沒有獲得許可，那鐵定就是侵權。

但另一方卻可以這樣反駁：大模型並沒有抄襲啊，所以何來侵權之說？

的確，LLM並沒有複製任何東西，它只是從訓練資料中獲取資訊，拆解這些內容，然後利用它們學習生成新的文字。

當然，這類訴訟已經有先例了，比如「紐約時報」對OpenAI那場石破天驚的起訴。

其中更加複雜的問題，是如何劃清商用和學術研究用途。

根據目前arXiv網站上的使用條款，如果是個人或研究用途，抓取、儲存、使用所有的電子預印本論文和網站中繼資料都是合規且被支援的。

然而，arXiv對商業方面的使用是嚴令禁止的。

那麼問題來了，如果某個商業公司使用了學術機構發佈的開源資料集訓練自己的商業模型，且資料來源含有arXiv或類似學術出版機構，這怎麼算？

此外，出版商在使用者的訂閱條款中往往也沒有明確規定，能否將論文用作模型的訓練資料。

比如，一個付費購買Wiley論文庫閱讀全文資格的使用者，是否被允許將這些文字複製下來喂給模型？

現在的問題是，有人想讓自己的作品納入LLM的訓練資料中，有人不想。

有人已經做出來一個[haveibeentrained」的同名網站，用來檢測自己的內容是否被用於訓練AI模型

比如Mozilla基金會的Baack就表示，非常樂於看到自己的作品讓LLM變得更準確，「我並不介意有一個以我的風格寫作的聊天機器人」。

但是，他只能代表自己，依然有其他很多藝術家和作家，會受到LLM的威脅。

#訓練AI模型 你可以在這裡找到鉅亨號中所有使用「訓練AI模型」為關鍵字所發布的內容