5月17日，据官方消息，Reddit 已与 OpenAI 达成协议，允许其使用自家内容训练聊天机器人及其他产品。合作宣布后，Reddit股价在盘后交易中上涨11%。
图源：X
合作的互利共赢，OpenAI在官网中有所介绍：
OpenAI能用上Reddit的实时内容：自家AI 工具由此能够更好地理解和展示 Reddit 上最新话题的内容，因为OpenAI可访问得Reddit数据 API，将提供实时的、结构化的、独特的内容。
Reddit能用上OpenAI的AI技术：Reddit 将建立在 OpenAI 的 AI模型平台上，将使Reddit为redditor和 mod带AI驱动的全新功能。
最后，OpenAI将成为Reddit的广告合作伙伴。
OpenAI的首席执行官Sam Altman持有Reddit 8.7%的股份，此前还是Reddit的董事会成员。所以OpenAI为了避嫌，强调此次合作是“由OpenAI的首席运营官(Brad Lightcap)领导”，并“由(OpenAI)独立董事会批准”。Altman作为OpenAI董事会成员，据TechCrunch，本人在此次决定上采取回避姿态。
此次合作的梗图诞生：Altman这一出，属于是左手倒右手，一看都是自家人。
图源：Reddit
我想知道这次合作具体怎么谈成的。
很多网友似乎不太理解Reddit内容对于大模型的价值，纷纷表示Reddit会让ChatGPT变得“不干净”。
熟悉“贴吧”内容调性的网友们马上炸开了锅，有人马上弃坑：Claude不比你GPT香?
图源：X
大本营Reddit平台上的悲观发言：把各位贴吧老哥的发言喂给大模型，AGI的进展立马倒退四年：
图源：Reddit
OpenAI的模型要用贴吧上科技板块的数据训练，看来对AGI的预测要推后四年。
有人也不明白了：Reddit至于那么差吗?
图源：Reddit
只有我比较开心?Reddit上有用的内容也不少，如果能用AI查询，岂不美哉?
殊不知，前有论文证明“弱智吧”内容才是AI中文语料质量的高地，这波属于是网友信不过OpenAI技术大拿们的眼光了。
图源：论文
用平台数据拓宽收入渠道，曾遭大规模抵制
成立于2005年的Reddit，于2024年3月上市，目前并不盈利。据其最新介绍，Reddit日活跃用户为8270万。据Techcrunch，Reddit的平台帖子超10亿个，评论数超160亿条，用户生成的内容每天还在增长。平台也可以被看做AI公司训练模型的“金矿”。
此次合作也说明，Reddit依然在尝试不同业务，不希望过于依赖于广告收入。
OpenAI、谷歌等公司将Reddit的数据用于自家模型训练后，Reddit不甘“白嫖”，2023年6月，Reddit宣布将对开发人员访问其API收取高额费用。其对每5000万个API请求收取12000 美元的费用，在业内定价已经很高。
大树底下不能乘凉了。靠着Reddit发家的各种第三方应用及个人开发者没法挣钱，Reddit社区自此开启一场声势浩大的抗议。在海量用户的自发组织下，在6月12日开始瘫痪。超过8000个版块(类似于微博、贴吧的不同话题)都被版主设置成了“私人版块”，其他用户无法访问。
来源：The Verge
这场利益没有对齐的抗议很快又被自发终结。仅仅过了两天，大部分版块恢复运营。用户找不到平替之前，还得接着用Reddit。
Reddit官方下场“反白嫖”的最终目的很快落地——用平台内容向大模型公司收费。
2024年3月上市前，Reddit与谷歌母公司Alphabet还达成每年价值约6000万美元的交易，允许自家内容用于谷歌模型的训练。5月早些时候，Reddit公布的首份季报中，收入超过分析师预期。这表明，Reddit与谷歌的交易及其推动广告业务增长的努力，正在得到回报。
来源：路透社
为什么各家大模型公司都在抢着给Reddit送钱，真的找不到更好的语料吗?
数据“掘金”的终点，难道是贴吧?
OpenAI掌门人Altman最近在播客中提到，模型未来的进步，不应该依赖数据。但就目前阶段来说，数据仍然是当下各大玩家的必争资源。
根据大模型的尺度法则，即便模型参数和算力都不断提高，但是数据量和质量如果停滞不前，模型的性能也很难持续进步(见智能涌现文章，大模型闹“数据饥荒”，科技巨头进入灰色地带)。
3月在英伟达GTC大会上，黄仁勋对话Transformer七子时也有观点认为：高质量的模型需要的其实是高质量的数据，一味堆量是不够的。
外国网友还在担心，把过于负面的Reddit“贴吧语料”喂给AI会不会适得其反;中文互联网上，最好的大模型语料库真的就是贴吧——弱智吧。
这个结论来自三月底发布的一篇论文。研究团队发现，大语言模型目前能理解、执行复杂指令，回答也能做到准确流利。然而这些进步基本都发生在英语世界，中文大模型的若要进步，就需要基于独特的语言特征和文化深度，找到合适的数据集。