Google 更新隱私政策：明確用抓取的公開網頁資料訓練 Bard 與 AI 模型

你在公開網頁上寫的部落格、發過的文字，可能早已成了訓練 AI 的養料。最近，Google 索性把這層窗戶紙徹底捅破了。

科技媒體 Gizmodo 最先注意到，Google 在 7 月 1 日悄悄更新了其隱私政策。隨後在 7 月 5 日，據 The Verge 報道，Google 正式確認，它不僅用公開抓取的網路資料來訓練 Google 翻譯，還會用來訓練聊天機器人 Bard 以及 Cloud AI 等各類模型。

Google 發言人 Christa Muldoon 對此回應稱，Google 一直很透明地說明使用公開網路資訊訓練語言模型，這次更新只是進一步明確，像 Bard 這樣較新的服務也被包含在內。

從「語言模型」跨到「所有 AI」

仔細看改動細節，這絕不只是一次例行的文字修補。

在修訂歷史中，Google 把原本用於訓練「語言模型」的表述，直接換成了「AI 模型」。一詞之差，意味著 Google 以後拿公開網頁資料訓練的東西，將不再侷限於大語言模型，而是擴充套件到了幾乎所有 AI 產品。

更有意思的是，這條極為關鍵的改動並沒有被大張旗鼓地標出，而是藏在隱私政策「您的本地資訊」標籤下的一個內嵌連結裡。

政策裡雖然寫明瞭會使用公開資料，但對於大家最關心的版權問題，Google 卻隻字未提。比如，抓取過程中如何規避受版權保護的作品，它完全沒有給出解釋。

灰色地帶與圍牆花園

如今，把公開網路當作免費採石場的做法，正在遭遇空前的阻力。

很多網站早就在使用者協議裡明文禁止第三方抓取資料用於訓練大模型。在歐洲，GDPR 等法規對未經許可使用個人資料有著極嚴的限制。即便是手握 GPT-4 的 OpenAI，在面對訓練資料來源時，也同樣諱莫如深。

合理使用原則到底能不能給這種大規模網頁抓取兜底，在法律上依然是一大片灰色地帶。全美最大的報業出版商 Gannett 已經起訴了 Google 及其母公司 Alphabet，指控其壟斷數字廣告市場，更有批評者直接將 Google 的 AI 搜尋測試版稱為「剽竊引擎」，認為它正在抽乾原創網站的流量。

與此同時，坐擁海量公開內容的平臺正在拼命砌牆。Twitter 和 Reddit 最近不惜惹惱核心使用者社群，也要收緊 API 並限制資料抓取，防的就是像 Google 這樣的巨頭免費收割。

而在光鮮的資料背後，負責篩選和清洗這些海量網頁資料的外包工人，往往還要長期忍受極度惡劣的工作條件。

為什麼重要

對每一個在網上寫過字、發過圖的普通人來說，這代表著你的數字足跡徹底變成了巨頭的免費資產。你很難真正選擇退出，也沒有任何版稅可言，除非你徹底把內容鎖進需要登入的私域裡。

對整個行業而言，Google 這一步走得很激進，但也很現實。隨著大模型引數激增，優質資料荒已經近在眼前，誰能吃進更多公開網頁，誰就能在模型迭代中搶佔先機。Google 倚仗自己二十多年的爬蟲技術和基礎設施，試圖把全網抓取合法化、常態化。

但我們認為，這種做法隱患巨大。它不僅進一步激化了巨頭與原創者、內容社群之間的版權矛盾，更在加速推倒那個原本開放的全球資訊網。當 Reddit 和各大媒體紛紛築起高牆、關閉介面，一個割裂且互相封鎖的網際網路生態，大概就是這場 AI 資料狂歡留下的最大代價。