据报道，从谷歌内部泄露的 2500 页文件揭示了搜索引擎这一互联网最有影响力的裁决者是如何运作的

据报道，从谷歌内部泄露的2500页文件揭示了搜索引擎这一互联网最有影响力的裁决者是如何运作的RandFishkin在SEO优化领域工作了十多年，他声称有人向他分享了2500页的文件，希望通过报道这次泄露事件来反驳谷歌员工关于搜索算法运作方式的“谎言”。Fishkin表示，这些文件详细说明了谷歌的搜索API，并分析了员工可以获取哪些信息。长文，有兴趣的自行了解一下。https://sparktoro.com/blog/an-anonymous-source-shared-thousands-of-leaked-google-search-api-documents-with-me-everyone-in-seo-should-see-them/标签:#Google#SEO频道:@GodlyNews1投稿:@GodlyNewsBot

新域名的存在表明 ChatGPT 的谷歌搜索引擎替代品可能即将面世

新域名的存在表明ChatGPT的谷歌搜索引擎替代品可能即将面世Reddit用户halfstar发现了ChatGPT搜索引擎域名search.chatgpt.com的SSL证书。一位名叫皮特（Pete）的人工智能播客主持人在X（Twitter前身）上发帖说："Search(dot)ChatGPT(dot)comMay9th"，暗示ChatGPT的搜索引擎将于5月9日推出。在浏览器上访问该子域时，返回的是一条神秘的"未找到"信息，而不是"404"或"域名错误"，这更让人猜测ChatGPT的搜索引擎可能正在开发中。目前关于ChatGPT搜索引擎的细节还不多，但最近的发展确实给了我们一个暗示：作为OpenAI的主要投资者，微软希望挑战Google在搜索引擎领域的垄断地位。微软的必应（Bing）一直未能削弱Google搜索的主导地位，因此不妨借助OpenAI的力量来一举打垮Google搜索。ChatGPT搜索引擎可能会专注于使用人工智能来提供快速结果和人工智能摘要。如果一切顺利，我们可能会在5月9日看到与Google搜索相媲美的新搜索引擎。最近，OpenAI与《金融时报》握手言和，以进一步改进其模型。只要在ChatGPT上提出相关问题，双方的合作就会显示《金融时报》上相应文章的链接。此外，这项合作还能帮助ChatGPT通过《金融时报》的不同渠道获取最新信息。...PC版：https://www.cnbeta.com.tw/articles/soft/1429526.htm手机版：https://m.cnbeta.com.tw/view/1429526.htm

AI产业的灰暗面：OpenAI、谷歌、Meta如何获取训练语料

AI产业的灰暗面：OpenAI、谷歌、Meta如何获取训练语料《纽约时报》在本周末刊发的调查报道中，揭露了OpenAI、Google、Meta等公司为了获取训练语料所采取的一些“走捷径”措施，同时也展现了整个行业迫在眉睫的困境。美国科技巨头各走“捷径”2021年末，正在训练GPT-4的OpenAI遇到了一个棘手的问题，公司已经耗尽了互联网上所有可靠的英文文本资源，而他们需要更多、更大规模的数据来训练更强大的模型。为了处理这个问题，OpenAI的Whisper语音识别工具诞生了——用来转录Google旗下视频平台Youtube的视频音频，生成大量的对话文本。报道称，包括OpenAI总裁布洛克曼在内的团队总共转录了超过一百万小时的Youtube视频。随后这些资料被输入到GPT-4系统中，并成为聊天机器人ChatGPT的基础。根据Google的政策，禁止用户将平台上的视频用于“独立”应用，同时禁止通过任何自动化手段（爬虫等）访问其视频。有趣的是，在OpenAI偷偷扒Youtube视频时，Google也在转录自家流媒体平台的内容训练大模型——同样冒着侵犯版权的风险。正因如此，虽然有Google员工知道OpenAI在这么干，也没有出手阻止。因为一旦Google对OpenAI提出抗议，也有可能“引火烧身”到自己身上。对于是否采用Youtube视频训练AI的询问，OpenAI方面回应称，他们使用了“多个来源”的数据。Google发言人MattBryant则表示，公司对OpenAI的行为一无所知，且禁止任何人“未经授权抓取或下载Youtube视频”。不过Bryant也表示，公司只会在有明确法律、技术依据时才会采取行动。Google自家的条款，则允许平台使用这些视频开发视频平台的新功能，但这样的措辞是否意味着Google能用这些资料开发商用AI，也存在不小的疑问。与此同时，Meta的内部会议纪要显示，工程师和产品经理讨论了购买美国大型出版商Simon&Schuster以获取长文本资料的计划，另外他们还讨论了从互联网上收集受版权保护的内容，并表示“与出版商、艺术家、音乐家和新闻行业谈判授权需要的时间太多了”。据悉，有Meta的高管表示，OpenAI似乎正在使用受版权保护的材料，所以公司也可以遵循这个“市场先例”。更显性的变化是，Google去年修改了服务条款。根据内部资料显示，推动隐私政策变化的动机之一，包括允许Google利用公开的Google文档、Google地图上的餐厅评论，以及更多在线资料开发AI产品。最终Google赶在美国国庆节（7月4日）放假前的7月1日发布了修改后的隐私条款，将“使用公开信息训练AI模型”首次纳入其中。Bryant回应称，公司不会在没有用户“明确许可”的情况下使用他们的Google文档来训练AI，这里指的是自愿参与的实验性功能体验计划。即便如此还是不够正因为这些操作，近些年来伴随着人们对AI能力的惊叹，越来越多的版权方也开始意识到自己的数据被偷偷拿走训练AI了。包括《纽约时报》、一些电影制作人和作家已经将这些科技公司告上法庭，美国著作权局也正在制定版权法在AI时代的适用指南。问题在于，即便一些作家、制片人将科技公司的行为称为“美国史上最大盗窃案”，科技公司用来发展下一代AI的数据依然还是不够。2020年初，约翰霍普金斯大学的理论物理学家（现Anthropic首席科学官）JaredKaplan发布了一篇论文，明确表示训练大语言模型用的数据越多，表现就会越好。自那以后，“规模就是一切”成为了人工智能行业的信条。2020年11月发布的GPT-3包含约3000亿个Token的训练数据。2022年，GoogleDeepMind对400个人工智能模型进行测试，其中表现最好的模型（之一），一个名为Chinchilla的模型用了1.4万亿个Token的数据。到2023年，中国科学家开发的Skywork大模型在训练中使用了3.2万亿个英文和中文Token，GooglePaLM2的训练数据量则达到3.6万亿个Token。研究机构Epoch直白地表示，现在科技公司使用数据的速度已经超过数据生产的速度，这些公司最快会在2026年就耗尽互联网上的高质量数据。面对这样的问题，奥尔特曼已经提出了一种解决方法：像OpenAI这样的公司，最终会转向使用AI生成的数据（也被称为合成数据）来训练AI。这样开发人员在创建愈发强大的技术同时，也会减少对受版权保护数据的依赖。目前OpenAI和一系列机构也正在研究使用两个不同的模型，能否共同生成更有用、更可靠的合成数据——一个系统产生数据，另一个系统对信息进行评判。当然，这种技术路径是否可行，目前仍存争议。前OpenAI研究员JeffClune认为，这些AI系统所需的数据就像是穿越丛林的路径，如果这些公司只是在合成数据上训练，AI可能会在丛林里迷失。...PC版：https://www.cnbeta.com.tw/articles/soft/1426528.htm手机版：https://m.cnbeta.com.tw/view/1426528.htm