X禁止第三方抓取数据，只因马斯克要亲自下场做AI
在马斯克的指挥下，X公司（前推特）近期又整出了新的花活。他们在日前悄然更新了服务条款，其中显示未经其事先的书面许可，无论出于何种目的，哪怕是用于学术研究，任何第三方都不得在X上抓取数据来训练AI大模型。这也就意味着，X已经对AI大模型关闭了大门。
事实上，马斯克几乎从未掩饰对于第三方AI大模型的恶意。早在今年3月，彼时还叫Twitter的X方面就修改了API接口的订阅价格，对于第三方访问的价格进行了大幅上调。紧接着到了4月，马斯克更是威胁要起诉微软，原因是他认为后者非法使用了Twitter的数据来训练Bing Chat的人工智能模型。当时间来到7月，马斯克指挥X方面用法律武器对四家实体提起了诉讼，指控它们从事数据抓取活动，导致其服务器资源严重紧张。
就在7月初，马斯克还搞出了一个“神操作”，宣布限制X用户每日可浏览的推文数量，其中已认证账户、未认证老账户、未认证新账户每日分别最多可浏览10000条、1000条、500条推文。并且在未注册的用户想要查看一条推文时，平台还会提示他们登录或是注册账户。
其实这一连串操作背后的原因很简单，因为如今数据几乎成为了互联网行业的“石油”，也有着极高的价值。例如ChatGPT为什么会表现得比Siri等上一代人工智能产品更聪明、更接近人类呢？单纯就是因为“力大砖飞”，而规模更大的语料库则是其中的关键。例如GPT-3就拥有的1750亿的参数量、45TB的训练数据，GPT-4的参数规模更是达到了惊人的1.8万亿。也就是说，GPT-4的数据规模是GPT-3的10倍以上。
那么训练ChatGPT的语料是哪里来的呢？抓取包括Twitter在内、一切互联网平台上用户的交互内容，这就是OpenAI方面一直在干的事情。所以某种意义上来说，ChatGPT的军功章里除了有OpenAI的一半外，也有Twitter的一份。可现实是，OpenAI在今年4月完成了一笔103亿美元的新一轮融资，估值达到270亿-290亿美元，反观X的估值在马斯克眼中，已经从收购时的440亿美元变成了200亿美元。
此消彼长之下，马斯克感到心里不平衡简直再正常不过。通过这一系列的措施，X平台所蕴含的数据甚至还变得更有价值了，因为它更难以被获取。更为重要的问题是，如今已没有更多的高质量语料可供大模型进行训练了。此前AI研究团队Epoch在今年年初发表的论文中就表明，综合目前人类语言数据的增长率，AI不出5年就会把人类所有的高质量语料用光。
由于诸如论文、书籍、新闻、代码等高质量的语料毕竟有限，有统计数据显示，高质量语料数据的存量只剩下约4.6×10^12至1.7×10^13个单词，相比当前最大的文本数据集大了不到一个数量级。而X等互联网内容平台上的低质量语料却可谓是取之不尽用之不竭，所以他们也已经是AI厂商为数不多的选择了，就等于说现在已经是卖方市场。
虽然马斯克此前的打算是将X上的这些数据卖个好价钱，毕竟一个新的营收来源对于风雨飘摇中的X来说算得上是久旱逢甘霖。事实上，限制第三方AI公司抓取数据对X的流量其实没多少影响。比如同样是因为对AI公司抓取数据收“保护费”，Reddit被用户抵制，但最终用户的抗议活动并未对该网站的流量造成重大影响。并且在Meta的Threads诞生前，X在海外社交平台中也具有不可替代性。
既然如此，为什么X突然修改了服务条款、拒绝第三方抓取数据呢，毕竟这意味着他们将无法通过这一行为向后者收费。原因当然是因为AI的魅力太大，以至于马斯克要让X亲自下场来做AI，而不是只只做AI大模型的数据供应商。就在不久前，X公司突然修改了隐私政策，并新增了如下内容，“我们可能会使用收集到的信息和公开可用的信息，来帮助训练我们的机器学习或人工智能模型。”
此前在今年7月，马斯克还成立了一家号称利用AI了解宇宙真实本质的新公司x.AI，并谷歌挖来了Christian Szegedy、Jimmy Ba等多位人工智能领域的科学家。彼时马斯克的说法，是x.AI的成立将与OpenAI、谷歌等公司竞争，试图打造一个“好的通用人工智能（AGI）”，以防止某个公司垄断AI领域。
既然已经有了属于自己的AI公司，X上的数据显然也就有了更有价值的去处，通过对数据的垄断来为x.AI的AI大模型或AGI提供差异化的竞争力，这并不难理解。所以不得不说马斯克的钞能力真的很好用，未来或许OpenAI、微软、谷歌等公司就要头疼了。