英伟达版Sora被曝违规抓取大量数据，官方表示不服
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
英伟达被曝违规抓取大量数据，官方表示不服。泄露文件显示，每天抓取非法数据训练新模型，员工被默许在网络上抓取未经授权的数据。英伟达回应称合法。
🔎
延伸解读
数据抓取规模与工具
泄露文件显示，英伟达员工被默许每天从YouTube、奈飞等平台抓取未经授权的数据，用于训练Cosmos视频基础模型。抓取量惊人，每天产生的数据相当于一个人80年能感知到的视觉数据。员工使用开源工具yt-dlp，并通过虚拟机刷新IP地址来规避平台封锁。
平台方的回应与法律风险
奈飞表示未与英伟达达成内容提取协议，且平台服务条款不允许抓取内容。YouTube CEO此前指出，若用YouTube视频训练AI模型，明显违反使用条款。英伟达则声称其做法完全合法，尊重内容创作者权利，并援引合理使用原则。但平台方的明确反对可能带来法律纠纷。
原始数据的价值与模型性能
文章指出，原始互联网数据对模型训练非常有用。英伟达曾用游戏视频改善训练数据质量。最近登上Nature封面的研究显示，用最初互联网数据训练的大模型具有先发优势，数据质量最好，模型性能也最佳。但随着AI数据泛滥，反而容易导致大模型崩溃，即“Garbage in, Garbage out”。
❓
Q&A
英伟达版Sora被指控抓取哪些平台的数据？
英伟达版Sora被指控抓取YouTube和奈飞等平台的数据。
英伟达对抓取数据的合法性有何回应？
英伟达回应称其做法完全合法，并尊重内容创作者的权利。
Cosmos项目的目标是什么？
Cosmos项目旨在构建一个最先进的视频基础模型，涉及多个应用领域。
英伟达员工如何抓取数据以避免被屏蔽？
员工使用名为yt-dlp的开源工具，并通过虚拟机刷新IP地址来避免被屏蔽。
奈飞和YouTube对英伟达的数据抓取有何看法？
奈飞表示未与英伟达达成内容提取协议，YouTube指出英伟达的行为违反使用条款。
使用高质量数据训练的大模型有什么优势？
研究显示，使用高质量数据训练的大模型性能最佳，具有先发优势。
🏷️
