给AI当“奶妈”，是天涯们的生路吗？
本文来自微信公众号：字母榜（ID：wujicaijing），作者：毕安娣，编辑：王靖，题图来自：视觉中国
老牌中文社区天涯已经住进“ICU”整整一年，破产看来已经注定，但最近一家美国同行搭上AI快车的消息，又给天涯带来了一丝希望。
去年4月，因拖缴数据机房费用，天涯社区遭“断网”。
症结是缺钱。天涯社区称，危机来自于近几年资金流动性困难加剧，电信IDC欠费，导致天涯社区暂停访问。
再听到天涯的消息，是在今年2月底，全国企业破产重整案件信息网上公开一条“天涯社区网络科技股份有限公司被申请破产审查”的信息。
尽管天涯方面否认即将破产的传闻，但天涯重见天日的可能性，到底是更加渺茫了。
在美国，一家式微的老牌内容平台，却依靠AI的浪潮找到了副业，吃下了热钱——第三方图片托管平台Photobucket，一度拥有7000万用户，占据美国在线照片市场的近一半份额。如今，Photobucket辉煌不再，只有约200万人还在使用它。
正所谓“瘦死的骆驼比马大”，已经被大部分人遗忘的Photobucket有之前多年的积累，依然坐拥上百亿照片和视频。而这，正是患上“数据饥渴症”的AI公司最需要的。
在AI热潮下，不断有公司找上门来。以正在进行的谈判来粗略估计，Photobucket手里掌握的内容可能价值数十亿美元。
有钱但缺数据的AI公司，遇上没钱但积累了海量内容的老牌社区，不交易一下才奇怪。
一
Photobucket正在与AI公司谈交易的消息，是由路透社曝出的。
有意思的是，报道中有一句话在后续编辑中被删除：“公司预计，其第一季度营业利润将增长10倍，达到近49亿美元。”
49亿美元是什么概念？
Photobucket作为一家图片托管网站，刚开始是免费的。在千禧年前后，互联网用户激增，人们或为了记录生活，或为了分享，乐于将照片上传到一个专门的网站。而且，在Photobucket上传了图片后，人们还可以在其他网站如MySpace直接嵌入，省得反复上传。一些卖家也会在eBay或亚马逊使用Photobucket托管的图片。
用这种方式，巅峰时期的Photobucket一度占据了美国互联网流量的2%。
由免费转向付费，似乎是Photobucket的必经之路。不过，Photobucket有点太心急了。2017年时，Photobucket突然将第三方显示变为每年399美元的付费订阅服务。此举并没有提前的充分预警，很多用户发现自己在其他网站嵌入的Photobucket图片都无法展示，变成了“付费以解锁”的提示。
要知道，Photobucket当时已经有1亿注册用户，有约6000万第三方网站的图片在此次“升级”下无法正常显示。在争议之下，Photobucket次年将年订阅模式改为可月付的模式，并沿用至今。
Photobucket也就此走上下坡路。后续几年，Photpbucket又经历了服务中心断电导致服务中断、隐私泄露等“意外”，渐渐从备受欢迎的图片网站变成了互联网边角料产品。公司规模也从鼎盛时期的120名员工缩水到了40人。
目前Photobucket网站提供的付费计划中，最贵的每月收取8美元。以最新报道透露的200万用户在使用Photobucket来计算，哪怕他们全部月付8美元，每年也仅能贡献1.9亿美元。而且这对Photobucket来说只是收入，还没有剔除存储、维护、运营等各项成本。
虽然Photobucket在过去二十年损失了不少用户，但除非用户注销，否则它会一直保留着用户的图片。即便是在不再支持免费账户的情况下，Photobucket也明确通知用户：你的照片还在，只需要现在开始付费，就能重新看到它们。
不断有已经弃用Photobucket的用户在社交媒体上吐槽，称自己频繁收到Photobucket“求复合”的邮件，已经不堪其扰。
既然图片都在，海量的内容还存储在服务器上，为什么不用它们赚上一笔？将平台内容授权给AI公司，获得49亿美元，对Photobucket来说可以算是一笔巨款了。
二
为什么AI公司会找上“明日黄花”Photobucket？
答案很简单，太缺数据了。以OpenAI的GPT系列模型为例，GPT-3使用了3000亿的token，GPT-4使用了12万亿的token。而已经在路上的GPT-5所需的token量预估在60万亿到100万亿。
“规模即一切”成为AI的战斗口号。霍普金斯大学卢纶物理学家贾里德·卡普兰（Jared Kaplan）在2020年发表了一篇关于AI的开创性论文，其表明训练数据越多，大型语言模型的表现越好，就像学生通过阅读更多书籍来学习更多知识一样。
互联网上公开可用的数据在大模型面前并不是取之不尽的。据人工智能研究机构Epoch估计，2026年所有高质量可用数据就有可能被耗尽，互联网生产数据的速度有可能比不上不断膨胀的大模型的消耗速度。
“数据饥渴”的AI公司获取数据的路径，总结起来就是：
- 免费的，直接用；
- 自家的，直接用且不给别人用；
- 可以付费的，付费；
- 付费也买不到的，必要时想想办法弄到手。
近日，《纽约时报》报道OpenAI曾在训练GPT-4时利用了谷歌旗下YouTube的内容。直接取用肯定不行，谷歌不让啊。于是OpenAI计上心头，创建了一个名为Whisper的语音识别工具，将超过100万小时的YouTube视频转录，然后再喂给模型。
此前，尚未开放给大众的文本-视频工具Sora也引起了外界怀疑。在一次采访中，OpenAI的首席技术官米拉·穆拉蒂（Mira Murati）没有正面回应“是否使用YouTube、Instagram、Facebook等平台的内容训练Sora”这一问题，她听到该问题时复杂的表情甚至成为了互联网梗图。
YouTube首席执行官尼尔·莫汉（Neal Mohan）在4月5日对此表态，称目前没有证据表明OpenAI用了YouTube视频训练Sora，但如果OpenAI真这么做了，那“明显违反”了YouTube平台的使用条款。
要是以为YouTube是在努力保护用户（或说创作者），可能有点天真。莫汉在采访中也提到，谷歌确实用了YouTube上的一些内容训练了旗下大模型Gemini。
另一边，巨头Meta的马克·扎克伯格（Mark Zuckerberg）也将平台数据视为自己的竞争优势。扎克伯格曾直言：“我们战术的下一个关键部分是从独特的数据中学习。”“在Facebook和Instagram上，有数千亿张公开分享的图片和数百亿段公开视频。”
在去年怒喷微软，威胁要起诉其使用X的数据训练AI的埃隆·马斯克（Elon Musk），也悄悄更新了X的隐私政策，表示会使用社交媒体数据来训练机器学习和AI模型。在网友的追问下，马斯克干脆承认：“只会用公开信息（训练），不会用私信和任何私人数据。”
有海量UGC（用户生成内容）且自己也做AI的公司，数据是不卖的，只给自己用。其他AI公司要么就铤而走险偷偷用，要么就要去找那些有内容但愿意出售的公司。
ShutterStock和Reddit都是活跃在数据交易场上的“大卖家”。
图片网站ShutterStock几乎和所有叫得上名字的AI大公司都合作了个遍，包括但不限于OpenAI、Meta、谷歌、亚马逊，达成使用其图片训练AI的协议。每笔交易的最初价格从2000万美元到5000万美元不等，而且后续还扩大了交易规模。
随着AI浪潮翻涌，“美国贴吧”Reddit意识到自己的数据对AI公司至关重要，且非常宝贵。去年开始，Reddit开始与一系列AIGC领军企业展开谈判，商议数据付费使用的问题。说白了就是不付费要授权，休想用这一头部“美国贴吧”的内容喂AI了。谈判陆续有了进展，如今年2月，Reddit就与谷歌达成协议，授权数据给其训练AI，合同价值约每年6000万美元。
在这样的态势下，Photobucket这样的老牌社区被盯上只是时间问题。
Photobucket的首席执行官泰德·伦纳德（Ted Leonard）表示，他正在和多家科技公司谈判，涉及130亿个内容（照片和视频）的授权。每张照片的授权价格在5美分到1美元，视频则为1美元以上。
一位买家告诉伦纳德，他们想要超过10亿个视频，比Photobucket拥有的还多。以现在的谈判来看，Photobucket坐拥价值数十亿美元的内容数据。
机智的Photoshop在去年10月更新了其用户条款，授予平台“不受限制的权利”，可以出售任何上传的内容，用于培训AI系统。
伦纳德甚至表示，有望用数据授权替代公司的广告销售业务。
三
繁忙的数据交易市场，也许给式微甚至已经死亡的UGC平台提供了一个“副业”。
天涯究竟积累了多少内容不可知，几个数据可以从侧面一窥其规模。巅峰时期，天涯的日访问量曾达到2000万。
在中文社区的黄金时代，流行着“全民话题，天涯制造”的说法。众多初代网红诞生于这里，如芙蓉姐姐、极品小月月、犀利哥等。众多畅销书孵化于此处，如《鬼吹灯》《明朝那些事儿》《东北往事：黑道风云二十年》《法医秦明》等等。
中文论坛对AI训练的用处也正在被关注。
一项研究显示，百度贴吧的“弱智吧”显现出不俗的数据训练效果。
这项研究由中科院深圳先进技术研究院、中科院自动化研究所、滑铁卢大学等众多高校、研究机构联合完成，提出了一个高质量的中文指导优化数据集。研究中用中文指导优化数据集训练了不同类型和大小的模型，探讨了各种数据源对模型性能的影响。在测试中，百度贴吧“弱智吧”的得分颇高。
“弱智吧”聚集了300个成员，并不是真的和智力障碍相关，而是“假装弱智”，发表一些烧脑言论。如“如果高中的入学率不高，为什么不直接录用大学生”，或“为什么我爸妈结婚的时候没有邀请我”。研究人员猜测，可能是“弱智吧”的问题增强了AI的逻辑推理能力。
这是全民创作和AI之间碰撞出的火花，社区内容有时能贡献意想不到的惊喜。
不过，横在社区内容和AI之间的，还有用户。
就像Photobucket忙不迭地更新用户条款，中文互联网的“内容确权”也一直是个问题。
一方面，中文互联网平台早已形成了将授权条款埋入用户条款里的习惯。目前所能查到的天涯2017年的《隐私和版权》协议中写明：“用户发表并将其上传到本网站的任何内容，本社区在全世界范围内不限形式和载体地享有永久的、不可撤销的、免费的、非独家的使用权和转授权的权利，包括但不限于修改、复制、发行、展览、改编、汇编、出版、翻译、信息网络传播、广播、表演和在创作及著作权法等法规确定的其他权利。”
天涯“断电”后，网络上售卖“天涯神帖合集”的生意走俏。天涯曾在重启公告中称，关注到天涯神贴在各大平台大受欢迎，“计划从现在开始发展一批高级会员，在回复访问后的天涯社区平台上开辟天涯神贴付费专区”。
在重启公告的最后，天涯表示，“无论是预购一个‘99元天涯神贴服务’，还是预购一个‘299元一对一数据下载服务’，都是对天涯重启非常重要的助力”。文末，天涯附上了购买二维码。
另一方面，平台是否就此有权将用户内容授权给其他公司以训练AI，还有待商榷。
用户对此颇为警惕。
在去年，小红书曾更新用户条款，在“用户内容及信息授权”中写着“您授予xxx公司免费的、不可撤销的、非排他的、无地域限制的许可使用”，并表示“上述许可包括使用、复制和展示用户内容中受保护的个人形象、肖像、姓名、商标、品牌、标识及其他营销推广素材、物料的权利和许可”，加之彼时恰有插画师质疑AI工具涉嫌抄袭，而引发了插画师对平台用自己上传的作品训练AI的担忧，不少插画师公开抵制，并宣布在该平台停更。
如今PhotoBucket首席执行官接受采访，并坦诚平台与AI公司进行授权协议，但并不是每个AI公司都对其内容放心。
Defened.ai的首席执行官布加拉（Daniela Braga）表示，她避免从Photobucket这样的平台公司获取内容，而更喜欢从创作这些照片的原作者那里获取授权：“我认为这非常危险。”“如果有一些AI生成的东西类似于某个从未点头许可的人的照片，那就有麻烦了。”
参考资料：
1.量子位：《弱智吧竟成最佳中文AI训练数据？中科院等：8项测试第一，远超知乎豆瓣小红书》
2.每日经济新闻：《天涯社区重启时间表公布 谁会花99元买“天涯神贴服务”？》
3.科技狐：《成立 23 年，承载无数人记忆的社区关闭了……》
4.钛媒体：《钛媒体独家｜天涯社区App“复活”，上线应用商店但无法正常使用，公司正筹资1000万元》
本文来自微信公众号：字母榜（ID：wujicaijing），作者：毕安娣，编辑：王靖
本内容为作者独立观点，不代表虎嗅立场。未经允许不得转载，授权事宜请联系 hezuo@huxiu.com
正在改变与想要改变世界的人，都在虎嗅APP