ai training

双语

Company Offering Printed Books to Train AI Stops After 404 Media Coverage
a month ago
- ISBNdb deleted a portion of its website that offered to source printed books for AI training after 404 Media's reporting.
- The company walked back its claims, describing the offering as 'a test of market interest' and stating no such service was ever implemented.
- On July 30, ISBNdb added a note to its homepage and news page denying it ever purchased, scanned, or sold books for AI training.
- ISBNdb emphasized it does not train AI models and has never done so, reiterating its role as a provider of book data, not physical books.
AI Firms Are Buying Up Old Books, Then Scanning and Destroying Them
2 months ago
- 像Anthropic这样的人工智能公司正在购买数百万本旧书进行扫描，然后销毁它们以训练大型语言模型。
- Anthropic的巴拿马项目使用了液压切割机来去除书脊并切割书页，以便进行工业扫描，随后将其丢弃。
- 内部文件显示，Anthropic希望保密该项目，并承认公众对此反应负面。
- 一名法官批准了15亿美元的和解金用于盗版作品，但物理扫描书籍被裁定为合理使用，依据首次销售原则。
- 书商们心情复杂：他们从销售积压库存中获利，但不喜欢销毁珍稀书籍的做法。
The Vanishing Page: AI Firms Scan Then Destroy Rare Book Editions
2 months ago
- AI公司大量购买稀有和绝版书籍，切掉书脊，扫描页面，然后处理掉原版。
- 2022年之前的书籍更受青睐，因为它们被认为不含AI生成的内容，通过ISBNdb等服务匿名下单，订单量可达百万册。
- 联邦法官裁定，将购买的书籍数字化并销毁实体副本属于合理使用，理由是数字版替代印刷版而未进行再分发。
- Anthropic的‘巴拿马项目’旨在破坏性扫描全球所有书籍，使用液压切割机和工业扫描仪，实体材料被回收或处理。
- 多个国家的书商报告称，出现了针对小众书籍的异常批量订单，不符合典型的收藏家模式，且通常来自匿名买家。
- 破坏性扫描比非破坏性方法更快、更便宜，且消除实体副本确保仅存在一个数字版本，有助于合理使用论据。
- 像Character.ai等AI工具可以重写或修改公有领域作品，引发了对原始文本数字修改以及实体书作为静态参考作用的担忧。
- 二手书商担心稀有版本（存世数量极少）的流失，而一些人将这种做法与乔治·奥威尔《1984》中记录被销毁和重写的主题相比较。
- 官方政府或图书馆尚未发布任何指导意见，但读者正越来越多地购买实体书，以在数字系统之外保存个人记录。
AI companies are shredding rare books
2 months ago
- 人工智能公司正在购买稀有书籍，用高速机器扫描（这些机器会切断书脊），然后将原书粉碎。
- 一个名为ISBNdb的服务可以促进多达一百万本书的批量订购，并保持买家匿名。
- 2022年之前的书籍被认为是优质的，因为它们不含人工智能生成的文本。
- 一名联邦法官裁定这种做法属于合理使用，理由是消除原版意味着一次只存在一份副本。
- Anthropic雇佣了谷歌图书合作项目的前负责人，以获取‘世界上所有的书籍’。
- 幸存副本稀少的稀有书籍——那些在战争、火灾和几个世纪中幸存下来的书籍——正在被销毁以用于人工智能训练数据。
- ISBNdb承认这可能会产生负面头条，但它的业务建立在谨慎操作的基础上，包括签署保密协议（NDA）。
- 作者认为这种做法比以往的人工智能数据抓取更糟糕，因为物理原版的销毁是不可逆转的。
- 预计这项法律裁决将加速为人工智能训练而销毁稀有书籍的行为。
Why Would Meta Download So Much Porn?
2 months ago
- Meta被指控大量下载色情内容、未经同意的名人裸照、可用于3D打印的枪械图纸以及被破解的密码。
- 色情制作公司Strike 3起诉Meta，指控其下载了其近3000部受版权保护的视频。
- 证据显示，Meta下载了包括'GirlsDoPorn'存档、深度伪造名人色情片以及密码列表在内的内容。
- Meta声称这些下载是用于个人消费而非人工智能训练，但下载的模式和数量暗示并非如此。
- 法官Eumi Lee认为Meta的辩词缺乏说服力，指出其通过算法协调在多个网络中进行下载。
- Meta使用BitTorrent获取内容，这同时也涉及与他人共享（上传）文件。
- Meta内部文件显示，员工对通过BitTorrent下载受版权保护的图书用于人工智能训练感到不安。
- 此案凸显了科技公司对大规模数据收集的严重依赖，这往往涉及盗版行为。
If AI companies avoid AI slop, shouldn't we?
2 months ago
- AI公司更倾向于使用人类生成的内容进行训练，以避免由AI生成数据导致的“模型崩溃”。
- ISBNdb为AI训练提供2022年之前的书籍，因为这些书籍不包含AI生成的内容。
- Reddit的数据因其人类生成的内容以及评判质量的投票系统而受到重视。
- 模型崩溃会导致AI在AI数据上训练时准确性下降、输出变得泛泛，并产生经过验证的幻觉。
- 人在回路中的AI使用也可能导致同质化和模型崩溃，因为受AI影响的内容会被反馈到训练中。
- 研究表明，即使有人类参与，AI生成的想法也会降低多样性和创造力。
Samsung Health app threatens data deletion if users opt out AI training
2 months ago
- 三星要求用户在三星健康应用中同意将其私人健康数据用于AI训练。
- 同意选项允许三星使用睡眠、药物、医疗记录和周期跟踪详情等个人指标来改进应用算法。
- 撤回同意将导致数据同步丢失并删除健康数据，除非法律要求保留。
- 员工和承包商等人类可能会审查部分收集的数据。
- 该应用最近新增了生成式AI功能，如用于疾病预警的Vitals功能和心脏健康评分。
- 新功能包括基于最大摄氧量等指标的Cardio Load指标和健身指数。
Samsung is pushing users to train AI with their personal health data or lose it
2 months ago
- 三星健康用户必须同意共享健康数据用于AI训练，以维持同步功能；选择退出将导致数据删除和同步能力的丧失。
- AI将使用匿名的健康数据，包括活动、健康记录和月经周期，以提供个性化洞察，如锻炼计划和睡眠分析。
- 这些AI驱动的功能将在Galaxy Watch 9系列中首次亮相，并扩展到旧款可穿戴设备，旨在随着时间的推移提高准确性和相关性。
- 同意要求引发了隐私担忧，因为用户面临着功能与数据共享之间的权衡，且没有明确选项可以在不同意的情况下保持同步。
AI developers are buying up old books in Germany in large numbers
2 months ago
- 德国书商报告称，图书需求激增，有时订单金额堪比年收入，这一现象因Zoom Books等平台而得以实现。
- 对科学/学术文献、地方历史、语言学、经济学和法律类书籍的需求高涨，尤其是带有历史语言特征的书籍，主要用于人工智能训练。
- 随着人工智能开发者耗尽公开的在线文本资源，相关兴趣也随之增加；Anthropic的巴拿马项目曾涉及切割书籍封面进行数字化处理，导致实体副本被毁。
- 书商担心这种做法会蔓延至欧洲，将其比作一场“淘金热”，并引发了对版权和文化遗产保护的担忧。
- 法律争议持续存在；美国公司可能以“合理使用”为由，在未经许可的情况下复制受版权保护的作品，这是人工智能训练诉讼中的关键论点。
- 重点关注1970年代起受版权保护的书籍，存在文化损失风险，因为更早的德国作品大多已完成数字化。
Publishers Are Preparing to Opt Out of Google Search
2 months ago
- 出版商历来高度依赖谷歌搜索获取流量和收入，但如今一些出版商正在考虑屏蔽谷歌的爬虫，以防止其内容在未经补偿的情况下被用于人工智能训练。
- Cloudflare宣布默认设置将屏蔽广告支持页面上的“多用途爬虫”，主要针对谷歌，迫使出版商在允许AI抓取和失去搜索可见性之间做出选择。
- 谷歌提供Google Extended选项，允许出版商选择不参与AI训练而不影响搜索排名，但出版商对可能的处罚持怀疑态度，更倾向于技术解决方案而非信任谷歌的自主裁量。
- 今日美国公司准备在未来六至十二个月内从谷歌除名，利用与其他科技公司的许可协议作为替代收入来源，而Beehiiv则已允许创作者屏蔽谷歌爬虫。
- 搜索流量的下降反而使出版商更有能力考虑离开谷歌，因为他们通过新闻通讯和社交媒体等渠道多元化受众来源，减少了对搜索的依赖。
- 屏蔽谷歌可能会降低搜索质量并损害消费者利益，但出版商视其为一种谈判策略；行业正处于一个象征性的里程碑，退出威胁正变得可信。
- 其他媒体高管表达了不确定性，指出这是一种双输局面：允许免费抓取是自我挫败，而选择退出则好处不明，且如果谷歌最终为内容付费，将面临未来补偿的风险。
Learning to Replicate Expert Judgment in Financial Tasks
2 months ago
- 跑赢市场之所以具有挑战性，是因为它需要基于投资者判断的独特洞察，而这种判断力难以直接阐明或传授。
- 大型语言模型在筛选和处理文档等简单的财务任务上表现不佳，尽管这些任务对投资者来说是常规工作。
- 这篇文章探讨了利用大型语言模型实现信息筛选自动化，并指出通过专家标注，专用模型可以达到专家级别的判断水平。
- 前沿模型（如Gemini、Claude、GPT）在六项筛选任务中表现欠佳，准确率约为50-80%，低于80%的可信度阈值。
- 改进提示词将准确率提升至75%左右，但进一步的提升需要通过高质量人工标注数据进行微调。
- 通过专家验证纠正非专家标注，构建了定制训练数据集，从而提升了数据质量。
- 训练方案以Qwen3-235B为基础模型，采用了交错批处理、带非对称剪裁的CISPO损失以及策略内蒸馏等技术。
- 最终的专用模型达到84.7%的准确率，比前沿模型减少了29.8%的错误，并将推理成本降低了13.8倍。
- 结论强调，根据组织需求定制的模型在准确性和成本上优于前沿模型，从而实现了差异化的智能能力。

ai training

Company Offering Printed Books to Train AI Stops After 404 Media Coverage

AI Firms Are Buying Up Old Books, Then Scanning and Destroying Them

The Vanishing Page: AI Firms Scan Then Destroy Rare Book Editions

AI companies are shredding rare books

Why Would Meta Download So Much Porn?

If AI companies avoid AI slop, shouldn't we?

Samsung Health app threatens data deletion if users opt out AI training

Samsung is pushing users to train AI with their personal health data or lose it

AI developers are buying up old books in Germany in large numbers

Publishers Are Preparing to Opt Out of Google Search

Learning to Replicate Expert Judgment in Financial Tasks