随着AI工具的日益迭代演进，各行各业都看到了与AI工具融合协作的大好前景，AI领域几乎成为了举世公认的必争风口，与之相关的各种初创公司也如同雨后春笋一般涌出。

然而最近国外媒体报道，多位开发者和创始人表示，许多初创公司的AI聊天机器人，极可能是采用OpenAI和其他公司的数据开发的。

产品媲美GPT-4，但收费只是OpenAI的一小部分，他们是如何做到的呢?

分析指出，这些公司抄袭OpenAI的具体做法是，开通GPT-4的会员之后向它提出一系列问题，再使用这些问题和答案来训练自己的模型，相当于变相窃取OpenAI的训练成果，采取这一策略的初创公司不在少数。

这些公司从未或者永远不会公开披露它们使用了OpenAI的技术。

虽然OpenAI的CEO奥特曼曾表示，规模较小的企业可以适度利用该公司的技术，但这种做法已经开始损害OpenAI的业务增长，奥特曼随时可能会为此采取行动予以遏制。

Unsloth AI联合创始人Daniel Han认为，他的客户中大约有一半会从GPT-4或Anthropic的Claude模型中获取数据，并用它们来改进自己的模型。

不仅如此，初创公司利用OpenAI数据训练模型的做法，与OpenAI等巨头的做法并无二致。

有媒体报道称，谷歌曾转录YouTube视频，Meta雇佣承包商总结受版权保护的书籍，Adobe使用Midjourney的AI生成照片，均是为了训练自家AI模型。

那么我们中文互联网的文心、灵犀……等等AI大模型是如何采用数据、采用什么样的数据训练的呢？作为中文大模型应该有很多自主自创的地方吧！