英伟达版 Sora 曝光：代号 Cosmos，非法抓取数据引争议

英伟达版Sora曝光——

代号，研究副总裁刘洺堉担任负责人。

不过随着几份内部文件的泄露，他们还被曝非法抓取数据。

（确实这也不是一次两次了……）

员工被默许每天在网络上抓取任何未经授权、未经同意数据，比如、奈飞等等这种平台上。

合起来，每天抓取的几乎是一个人80年能感知到的视觉数据。

结果英伟达回应称：我们这做法，完全合法！

英伟达版Sora曝光：代号

据所获取的泄密文件显示，英伟达每天都会抓取非法数据来训练新模型。

的目标是构建一个最先进的视频基础模型。据泄露的邮件显示该模型集合了光传输、物理和智能的模拟，以解锁对各种下游应用。

比如被用到 3D 世界生成器、自动驾驶汽车系统和数字人产品。

英伟达研究副总裁Ming-Yu Liu（刘洺堉）担任的项目负责人。

他同时也是IEEE 。他带领英伟达Deep 研究小组，推出了 [Edify]、 []和 []等产品。

此前5月份的一封电子邮件中显示：

这张图中显示英伟达首席科学家 给了个表格链接，里面汇集了各种视频数据集，包括 （一个包含 60,000 个电影预告片的数据库）、、 -10M，以及几个内部捕获的视频游戏镜头数据集。

如今据一位前员工爆料称，员工会被要求从、奈飞等来源来抓取数据。

他们会使用一个名为yt-dlp的开源视频下载器，它能使用虚拟机来刷新IP地址，以避免被屏蔽。

为此，英伟达向404 Media回应称：

而谷歌则是扔给404 Media一个链接，今年4月 CEO表示，如果用视频来训练Sora，那么明显违反的使用条款。

而奈飞则表示，他们并未与英伟达达成内容提取协议，而且该平台的服务条款不允许抓取内容。

有意思的是，同一天，博主正在寻求对集体诉讼，指控该公司在未通知或补偿视频所有者的情况下，使用数百万条 视频记录来训练其生成式 AI 模型。

而此前这些大厂被曝非法抓取数据的事情也屡见不鲜。

不过必须要说的是，这种原始数据真的很有用…

之前英伟达还用游戏视频，来改善训练数据质量。

最近登上封面的那篇研究显示，这种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，对应的模型性能也最好。

之后随着AI数据越来越泛滥，反而容易让大模型崩溃。

in， out。

对于这件事，你怎么看呢？

参考链接：

[1]

[2]

[3]

[4]

海量资讯、精准解读，尽在新浪财经APP