就在前两天，OpenAI 发布的 GPT-4o，又一次震撼了整个互联网科技行业。
GPT-4o 融合了所有模态，可以识别并生成文字、语音和图像内容，还能根据人的语气判断对方情绪变化……电影【her】里面的情节，似乎就要变成现实。
而且，GPT-4o 还免费给所有用户使用，这一决策也在促使大模型开始往免费、低价这个方向卷。
最近，又有新闻爆出，OpenAI 与 Reddit 达成了一项协议，OpenAI 将使用 Reddit 的帖子内容来训练大模型。
可能很多人没听过 Reddit 这个网站，它是一个社交新闻网站，上面有许多社区板块，由用户发布的帖子构成，简单来说，咱们可以将它理解为美国版的「贴吧」或是「虎扑」。
根据最新财报，Reddit 日活用户超过 7000 万，每个月有 12 亿独立用户访问 Reddit，这也使得 Reddit 上聚集了各种各样的社区，什么体育、游戏、音乐、新闻事件……
在 Reddit 上，就有一个关于李子柒的社区。
这些由上亿用户创建的内容，本身就是一个非常宝贵的资源，跟贴吧一样，Reddit 帖子内容涉及到方方面面，回复里是用户对各种事物真实的反馈，而且还紧跟时事。
用 Reddit 的内容训练，能让大模型更好的理解人类世界的语言逻辑，在不同主题的对话里生成更接近真人的反馈内容。
打个比方，如果大模型不接触中文互联网，大概率不知道「YYDS」是什么意思，也无法在回答里输出「uzi，YYDS」。
事实上，这不是 Reddit 第一次跟人工智能企业合作，早在今年 2 月份，Reddit 就与谷歌达成了协议，允许谷歌使用 Reddit 的帖子内容训练大模型。Reddit 能从这里面每年获得 6000 万美元。
Reddit 又能从跟 OpenAI 合作里获利多少，媒体没有报道，双方聊得应该很愉快，毕竟 OpenAI 现在的 CEO 山姆·奥特曼也是 Reddit 的大股东。
值得一提的是，腾讯也是 Reddit 的大股东之一。
扯远了，OpenAI 用 Reddit 数据训练大模型还是一件新闻，但在国内，用贴吧、知乎的帖子数据训练大模型，早已不是什么新鲜事。
今年 4 月初，弱智吧又火了一把，说是一个团队用弱智吧训练出来的大模型，评分远超知乎豆瓣小红书的。
一个号称是「弱智」的贴吧，内容的文本质量「爆杀」知乎豆瓣小红书这些平台，看起来简直是一部爽文，天才主人公扮猪吃老虎，让人热血沸腾。
毕竟弱智吧，平常看起来就很不着调，每个帖子的标题五花八门，但短短几个字里，玩出了欧亨利小说那样出人意料的结尾，甚至包含深刻的人生哲理。
于是网友惊讶地发现，弱智吧的人不仅不弱智，还可能是最睿智的群体。
不过，后来该团队成员对这件事进行了澄清：
虽然团队选取了知乎、豆瓣、小红书还有弱智吧的语料来训练大模型，但该团队在选取弱智吧点赞数最高的 500 个帖子时，只保留了标题。 回答内容因为 有冒犯性表述和实质性错误，都被排除了。
团队于是采用 GPT-4 生成回答，并经过人工挑选、优化，获得了 240 组样本。其他平台比如知乎、豆瓣，则保留了高赞回答。
因此，在投喂语料训练大模型时，弱智吧语料本身更符合 GPT-4 的要求，而最终评分也来自 GPT-4，这可能就是弱智吧训练数据评分高的原因。
虽然最终的解释给不少人浇了一盆冷水，但也反映了一个事实，那就是国内的大模型团队会在各大网络平台收集训练数据。
有很大可能，咱们在网上吹牛获得高赞的内容，已经被人工智能团队拿来训练大模型，甚至赞数越高，越被认为是优质的语料。
不过，这样的数据使用也引来了争议。比如在 Reddit 上，曾经有许多大模型团队通过免费的 API 接口引用 Reddit 的语料来训练数据，其中就包括 OpenAI 和谷歌。
苦于为营收增长发难的 Reddit，从中发现了商业机会，开始对 API 收费，这才有了后来与谷歌和 OpenAI 的合作。
另一边，Alphabet （谷歌母公司） 的 CEO 则公开警告OpenAI，对方不要用 YouTube 的数据训练生成视频的人工智能模型。
皮查伊指的就是早些时候 OpenAI 发布 sora，之前 OpenAI 的技术负责人被问到 sora 的训练数据来源时，表达很模糊，被认为用了 YouTube 的视频数据，
作为全球最大的视频创作平台，如果能够用 YouTube 的视频来训练，对大模型水平的提高有很大帮助。
在大模型这波浪潮下，企业之间卷的不仅是硬件资源，用户创作的内容正成为越来越珍贵的机器食料。
Reddit 已经成为当下最大的受益者，而国内的知乎、豆瓣、虎扑也有受益的可能，改变自身当下商业化难的困境。
只希望他们能借此机会，减少广告投放，改善用户的使用体验吧。
参考资料：
The Verge、科学网、新浪科技、Reddit
编辑 ：木易
