英伟达神秘视频基础模型「Cosmos」曝光，数据全靠偷
内容提要
英伟达正在从YouTube和其他来源抓取视频数据，用于AI产品的训练。员工被要求从Netflix、YouTube和其他来源抓取视频，以训练AI模型。英伟达使用了开源的YouTube视频下载器，并使用了20到30台虚拟机每天下载相当于80年的视频。英伟达似乎不在意法律问题，员工被告知已获得公司最高层的批准。此外，他们还购买了800万支YouTube视频，并通过谷歌云下载。这些行为可能涉及版权问题。
延伸解读
数据来源的版权风险
英伟达从YouTube和Netflix抓取视频训练AI模型，但这两家平台均表示未授权。YouTube CEO曾称此类行为明显违反使用条款，Netflix也声明不允许抓取。英伟达内部将法律问题视为行政决定，并依赖高层批准，这反映出AI训练数据获取中常见的版权灰色地带。
数据规模与训练策略
Cosmos项目使用20-30台虚拟机，每天下载相当于80年的视频，并编译了3850万个视频URL。团队还以每支0.00625美元购买800万支YouTube视频，并通过谷歌云下载。这种大规模数据收集旨在构建视频基础模型，支持Omniverse、自动驾驶等商业应用。
内部法律争议与应对
员工曾质疑使用禁止商用的研究数据集和YouTube视频的合法性，但项目经理以“行政决定”和“高层批准”为由驳回。团队还讨论用AWS虚拟机换IP规避反爬虫机制。这显示英伟达在推进项目时，优先考虑技术目标而非法律合规。
行业影响与法律灰色地带
英伟达并非个例，许多科技巨头都在利用法律灰色地带抓取版权数据训练AI。在相关法案落地前，此类行为可能持续。Cosmos模型计划用于商业产品，若成功，将为英伟达带来巨大收益，但也可能引发更多版权诉讼和监管关注。
Q&A
英伟达的Cosmos项目主要用于什么目的？
Cosmos项目旨在构建一个先进的视频基础模型，用于训练AI产品。
英伟达是如何收集视频数据的？
英伟达通过抓取YouTube和Netflix等来源的视频数据，使用开源的YouTube视频下载器，每天下载相当于80年的视频。
英伟达在抓取视频数据时是否考虑法律问题？
英伟达似乎不在意法律问题，员工被告知已获得公司最高层的批准，可以使用这些内容。
Cosmos项目的内部讨论中提到哪些视频内容？
项目组讨论了如何将游戏画面添加到训练数据中，并考虑使用好莱坞电影等高质量视频。
英伟达购买了多少支YouTube视频用于Cosmos项目？
英伟达以每支视频0.00625美元的价格购买了800万支YouTube视频。
Cosmos项目的进展如何？
Cosmos项目在两周内完成了10万次视频下载，并编译了3850万个视频URL。
