華為、DeepSeek 被指在 AI 訓練中連結韓江盜版書籍
中國人工智能公司華為和 DeepSeek 被指控使用據報包含韓國作家（包括諾貝爾獎得主韓江）盜版書籍的數據集來訓練其 AI 模型。這些連結是透過分析公司技術報告和獨立研究結果而浮現的。
據報，華為的 Pangu Sigma AI 模型使用了「The Pile」這個大型數據集，其中包含「Books3」這個盜版電子書集合。對 GitHub 上「Books3」的分析顯示，它包含至少 10 位韓國作家的 19 本書的英文譯本，例如韓江的《The Vegetarian》。雖然這建立了從未經授權內容到華為使用的數據集的報告途徑，但該公司的技術報告並未說明其模型是否訓練了所有這些特定小說。
DeepSeek 的 DeepSeek-VL 模型據報從「Anna's Archive」獲取了 86 萬本英文電子書和 18 萬本中文電子書，該網站以提供盜版書籍而聞名。「Anna's Archive」列出了著名韓國作家的作品。DeepSeek 表示，它選擇了用於訓練的材料，而不是下載所有可用的書籍，因此其訓練數據中是否直接包含韓國作品仍未確認。
然而，來自哥倫比亞大學和卡內基梅隆大學等機構的研究人員提出了關於 DeepSeek 的間接證據。他們在 9 月更新的論文指出，DeepSeek 3.1 在經過微調後，重現了與韓江《The Vegetarian》相符的 19 個詞序列。儘管這些發現尚未經過同行評審，但研究人員將此結果解釋為 AI 模型已預訓練該小說的間接證據，說明了模型輸出如何暗示數據集內容。
分享這篇文章
相關文章
6 則
Axios：Anthropic 的 AI 模型存取美國選民數據
We reported on Anthropic's AI model accessing US voter data, another instance of AI training data controversy.
DualEntry基準測試發現：開源AI模型在會計工作上正追趕閉源模型
The debate over open-source versus closed AI models often includes discussions around training data ethics.
出售：罕見 1971 年 Isuzu Bellett 1800 GT – 首款日本「GT」
當人工智能開始自我複製時會發生甚麼？
使用 Ivory 輕鬆排解 etcd 叢集故障
