Các công ty AI thường giữ bí mật về nguồn dữ liệu đào tạo của họ, nhưng một cuộc điều tra của Proof News cho thấy một loạt các công ty AI hàng đầu thế giới đã sử dụng tài liệu từ hàng nghìn video YouTube để . Các công ty này đã sử dụng bộ dữ liệu tạo bởi công ty phi lợi nhuận có tên EleutherAI, chứa các bản ghi lại nội dung từ phụ đề 173.536 video YouTube của hơn 48.000 kênh mà không hề có sự xin phép chủ sở hữu hay nhà sáng tạo nội dung. Được biết phụ đề YouTube không bao gồm hình ảnh video mà bao gồm văn bản đơn giản của phụ đề video, thường cùng với bản dịch sang các ngôn ngữ bao gồm tiếng Nhật, tiếng Đức và tiếng Ả Rập.

Mặc dù tập dữ liệu không chứa hình ảnh hay video, song các nội dung được lấy lại từ những nhà sáng tạo nội dung hàng đầu trên nền tảng, chẳng hạn như Marques Brownlee (19 triệu người đăng ký, bảy video đã quay) và MrBeast (289 triệu người đăng ký, hai video quay), cũng như các nhà xuất bản tin tức lớn như The New York Times, BBC và ABC News. Ngoài ra, còn có phụ đề từ các video từ các kênh giáo dục và học tập trực tuyến như Khan Academy, MIT và Harvard.

Ông David Pakman, người dẫn chương trình “The David Pakman Show”, một kênh với hơn hai triệu người đăng ký và hơn hai tỷ lượt xem, cho biết: “Không ai đến gặp tôi và nói muốn sử dụng cái này". Trong khi đó, gần 160 video của kênh đã được đưa vào tập dữ liệu đào tạo AI.

“ lấy dữ liệu cho AI của họ từ một số công ty”, Brownlee một YouTuber nổi tiếng đăng trên X. “Một trong số đó là hàng tấn dữ liệu/bản ghi từ các video trên YouTube, bao gồm cả của tôi”.

Trước đó, CEO YouTube Neal Mohan khẳng định, việc các công ty sử dụng dữ liệu của YouTube để đào tạo các mô hình AI là vi phạm các điều khoản và dịch vụ của nền tảng này.

Đại diện tại EleutherAI, công ty tạo ra tập dữ liệu, đã không trả lời yêu cầu bình luận về phát hiện của Proof, bao gồm cả cáo buộc rằng video đã được sử dụng mà không được phép. Trang web của công ty nêu rõ mục tiêu tổng thể của họ là giảm bớt các rào cản đối với việc phát triển AI.

Theo một bài báo nghiên cứu do EleutherAI xuất bản, tập dữ liệu này là một phần của bộ sưu tập mà tổ chức phi lợi nhuận phát hành có tên là Pile. Pile bao gồm tài liệu không chỉ từ YouTube mà còn từ Nghị viện Châu Âu, Wikipedia tiếng Anh và một loạt email của nhân viên Enron Corporation. Hầu hết các bộ dữ liệu của Pile đều có thể truy cập và mở cho bất kỳ ai trên internet có đủ dung lượng và khả năng tính toán để truy cập.

Apple, và Salesforce những công ty trị giá hàng trăm tỷ và hàng nghìn tỷ USD mô tả trong tài liệu nghiên cứu của họ và đăng tải cách họ sử dụng Pile để đào tạo AI. Các tài liệu cũng cho thấy Apple đã sử dụng Pile để đào tạo OpenELM, một mẫu máy cao cấp được phát hành vào tháng 4, vài tuần trước khi công ty tiết lộ sẽ bổ sung các khả năng AI mới cho iPhone và MacBook.

Hiện các công ty AI vẫn chưa minh bạch về dữ liệu được sử dụng để đào tạo thuật toán. Đầu tháng 7/2024, các nghệ sĩ và nhiếp ảnh gia đã chỉ trích Apple vì không tiết lộ nguồn dữ liệu đào tạo cho Apple Intelligence tính năng AI mới sẽ có mặt trên hàng triệu thiết bị của “nhà táo” trong năm nay.

YouTube vốn được coi là kho lưu trữ video lớn nhất thế giới và hiện cũng là “mỏ vàng” dữ liệu để đào tạo AI.