“盜”數據，AI大模型的黑暗面
一個叫作“一筆兩劃”的創業公司，公開聲討曾經的教培龍頭“學而思”，說它用“扒庫”的方式，“偷”走了自己辛辛苦苦攢下的數據。
故事的起因，是在今年4月中旬，“筆神作文”（一筆兩劃公司旗下產品）發現，服務器接口出現大量有規律的異常訪問，導致服務器承載壓力快速升高。
訪問量遠超日常平均值。筆神作文對深AI透露，平時的日訪問量大約是幾百或幾千，那幾天暴增至每天超過50萬。一周之內，他們的數據被爬取了258萬次。
筆神作文公布的數據庫調用情況
通過查閱服務器日志，筆神作文發現，單一IP通過“爬蟲”技術，高密度地爬取了他們的數據庫。這個IP每次訪問的搜索詞，都是作文相關，系統會每頁返回30篇作文，每次訪問都是用搜索詞從第一頁逐頁向后翻，基本上把庫里同個題目的所有作文，全部抓取完了。
業內人士介紹，通常情況下，普通用戶不會這么干。這種對數據庫的搜刮式訪問，也被稱為“扒庫”。
筆神作文認為，“扒庫”的幕后黑手，是它的合作伙伴學而思。
“扒庫”事件發生后沒多久，筆神作文發現，學而思在進行數學大模型MathGPT的研發，并表示將于近期上線一款“AI助手”，其中一項功能，就是作文。
筆神作文被“扒庫”，和學而思開發“作文AI助手”，這兩起事件之間是否有關聯，目前尚沒有明確結論。
但筆神作文認為，自己的權益被侵犯了。它向對方發去律師函，并將這件事公之于眾，試圖討要一個說法。學而思方面則給出公開回應，稱對筆神素材內容的使用均符合合同要求，且其自研的MathGPT大模型和“作文AI助手”，沒有使用筆神作文的任何數據。
此次事件中，值得探討的不僅是作文素材。數據，對于大模型而言，意味著什么？
我們先簡單介紹一下筆神作文。
這家公司成立于2017年，產品“筆神”是一款人工智能輔助寫作軟件，算是AI+教育的產物。一開始“筆神”面向內容創作平臺和相關工具廠商，后來深入到垂直領域，用AI教學生寫作文，于是就有了“筆神作文”。
你可以簡單理解：它處在教育行業，面向的是學生群體，利用了人工智能技術，解決的是寫作文的場景。
AI寫作文，跟今天大火的ChatGPT，在技術上有很多共通之處。它們都涉及到自然語言處理、語義分析預測、機器學習等技術。筆神作文創始人宋嘉偉，曾擔任過索尼高級系統架構師、奇點機智CTO。
早在五年前，宋嘉偉就說過，在考慮如何將bert或GPT-2這些預訓練語言模型技術運用到應用中去。當時GPT尚未出圈，不像今天這樣廣為人知。
開始做AI作文之后，筆神作文正式進入教育賽道，跟教培龍頭學而思踏進了同一條河流。
據筆神方面介紹，2020年12月，筆神作文跟學而思達成合作。筆神作文為學而思提供“筆神作文范文素材服務接口”，用于學而思相關服務中，按調用次數結算費用。為此，筆神作文為學而思開放了服務接口。
也就是說，學而思可以調用筆神作文數據庫中的作文素材，并為之付費。
作文素材，是這項交易中的一個核心資產，也是筆神作文商業模式的基石。事實上，筆神作文最早就是從素材這個點切入的。它當年主打的“一鍵找素材”功能，用戶通過搜索關鍵詞，系統可以自動匹配素材，資源從古詩詞經典、公文，到現代網文均有涵蓋。在寫作過程中，系統還可以實時推送素材。
這些素材不是來源于網絡，而是筆神自有的數據庫。通過AI技術的智能識別、翻譯、匹配，筆神能向用戶的搜索行為反饋回合適的素材。
當這些作文素材的量足夠大、質量足夠優質、匹配夠精準，就具備了一定的商業價值，甚至可以對外售賣。這才有了跟學而思的合作。
問題是，這些素材有被“偷”走的風險，尤其是在開放部分接口的情況下。
按照筆神作文對深AI的介紹，他們對與學而思的合作范圍進行了限定，“我們開放接口讓他們調用我們的數據，顯示在他們自己的APP里，但合同中并未包括存儲數據或用于AI算法的權限。數據應僅供他們的用戶調用，不能被存儲在他們的機器上。”
相當于，當用戶在學而思的產品端發起搜索，調用的作文范本來自筆神作文，學而思不能自己儲存。
4月中旬的那次異常調用，讓筆神作文認為，超出了正常的商業合作范圍。“他們的行為觸發了我們的防御機制，這才使我們發現了這一情況。”
筆神作文稱，他們查看了后臺的訪問日志，發現是由單一IP通過“爬蟲”技術發起的非法訪問。“我們已經掌握了這個IP地址。”
筆神作文公布的IP地址情況（一部分）
國內某人工智能創業公司的CEO劉然對深AI分析，這種窮舉關鍵詞的方式，肯定是想要獲取庫里的數據，這是非常明顯的行為。
筆神作文對深AI透露，事發后他們與學而思的運營人員求證，對方直接承認，是學而思的算法組在爬取數據并作為己用。不過，針對此說法，深AI尚未得到學而思方面的證實。
曾經的合作伙伴，突然變成了門口的野蠻人，讓筆神作文非常憤怒，多次發出律師函。
學而思方面則在6月13日的公開回應中稱，其對筆神作文接口的調用，并未超出雙方合同范圍，對筆神素材內容的使用均符合合同要求，未用于合同以外的任何用途。學而思專門強調，其自研的MathGPT大模型和“作文AI助手”，沒有使用筆神作文的任何數據。
雙方各執一詞，目前未有定論。筆神作文稱，該案件可能將會成為“AI大模型數據被盜第一案”。
一個值得探討的問題是，數據，對于大模型而言，意味著什么？
算力、算法、數據，是人工智能進行機器學習的三大核心要素。
為了提升算力，很多科技公司都在花重金搶奪英偉達的GPU。在算法端，國內外的一些大廠將算法開源，大大降低了模型開發的門檻。
而在數據端，壁壘一直存在。去哪里找到高質量數據，是個關鍵問題。
生成式AI大模型需要使用大量且多樣化的數據來進行訓練，以提高模型的泛化能力和生成能力。不同的模型可能使用不同的數據來源。ChatGPT這類通用大模型，用了很多公開數據，如各類新聞網站、書籍、科學論文、網頁等等。一些垂直領域的大模型，則需要找到有針對性的語料庫和數據集。
國內某頭部科技公司的大模型負責人對深AI表示，ChatGPT其實也用了很多非公開的數據，網上的公開數據很多都質量非常差，高質量的數據是有門檻的。數據的獲得、清洗，都面臨很大挑戰。
好未來CTO田密在5月4日公開表示，“很多領域是有數據壁壘和行業know-how的，大模型還是得和領域知識深度結合，加上足夠多的領域數據來訓練領域大模型。”
就像田密說的，領域大模型要和領域知識深度結合。在AI作文領域，作文素材就是訓練機器的重要數據。
早在2019年，筆神公司就開始有目的性地收集數據，訓練自己的作文語料庫，覆蓋名人名言、詩詞、公文、網絡語言等。他們利用訓練機器模擬人工標簽的方式，對每條語料打標簽。
在垂直語料庫中，只有對數據打過標簽，才能基于向量匹配、用戶當前創作內容的語義分析和預測，進行精準的內容推送。
劉然對深AI說，建立模型需要大量經過驗證的數據，如果這些數據已經整理好了，那么就可以節省大量的人力工作。筆神作文整理的作文，可能被當作標注數據使用。
這個過程是持續且漫長的。筆神作文稱，創業六年，他們總共積累了超過500萬篇作文素材，月批改量超3萬篇。這些作文素材，是經過一篇篇人工審核、篩選投稿、打標簽、分級、數據糾正，最后累積起來的。
這些數據不僅能在APP的頁面以素材形式呈現，還能拿去在后臺訓練算法。所以在跟其他公司合作開放接口時，筆神作文在協議中專門加了一條——不得“緩存，存儲，作為語料進行計算，訓練”。
筆神作文認為學而思“盜”走了數據，揣測學而思將數據用于數學大模型MathGPT以及學而思學習機“作文AI助手”的訓練和研發。但這似乎很難證明。
劉然認為，正常來講，作文數據應該會提前設置一些限制，比如不接受高并發，在數據里加密，而且應該能追蹤到數據的去向和用途。不過他同時認為，作文數據不像用戶關鍵行為數據那么關鍵。
“你可以讓AI學習什么是好的作文，然后讓它按照這些標準生成。但我認為，其實不需要那么大量的數據。幾萬篇高質量的作文應該就夠了。”他說。
筆神作文態度強硬，連發兩篇公告，要求學而思道歉，同時索賠1元。它甚至想給這次事件扣上“AI大模型數據被盜第一案”的帽子。
上海曼昆律師事務所主任劉紅林律師對深AI表示，筆神作文自建的語料庫或素材庫，本身是有知識產權權益的。但是否屬于著作權法上的作品，需要看獨創性是否符合相關的判定標準。
“如果筆神作文有足夠的證據能證明學而思惡意抓取了他們的數據，那么可以發起知識產權侵權或不正當競爭訴訟。”他說。
另外，筆神作文與學而思有合作協議，如果對知識產權的尊重和授權進行了約定，他們也可以通過合同違約來保護自己的權益。
值得注意的是，筆神作文素材庫中的很多作文，是用戶投稿而來。筆神作文自稱，每個月都會收到30萬篇作文投稿。因此，在認定是否侵權之前，先要厘清這些素材的知識產權歸屬。
劉紅林分析，這要看作文的創作者（投稿人）與筆神作文之間，如何對知識產權進行約定。如果用戶在投稿時對筆神作文進行了知識產權授權，那么筆神作文就享有對應的權益。
深AI查詢筆神作文的用戶服務協議，發現其中有這么一條：用戶在筆神作文發表的內容（包括但不限于留言、評論、筆記），授予筆神作文免費且不可撤銷的非獨家使用許可。
也就是說，筆神作文對素材庫擁有知識產權。
劉然想不明白的是，筆神作文為什么會與學而思合作。“如果是我，絕對不會跟學而思合作，因為我們是強競爭關系。”他認為，“在大模型時代，僅僅提供作文數據庫的做法是沒有機會的。”
有業內人士分析，學而思有流量，有場景，有知名度，尤其是在面向用戶的前端產品方面，學而思的優勢要比筆神作文大。而在后端收集數據、建設素材庫的工作，費時費力，短期難見成效。對于學而思而言，直接拿現成的素材庫接入是最方便的。筆神作文則靠出售素材庫的調用權限，實現了商業變現。
但對筆神作文這種創業公司而言，這樣的合作就像是帶刺的玫瑰。因為巨頭隨時可能打進你的領地，甚至在業務層面形成直接競爭。
AI批改作文是筆神作文很重要的一項功能。而早在三年前，好未來（學而思母公司）也曾推出過“中英文作文批改解決方案”，通過AI實現智能化中英文作文批改。
現在，AI改作文只是好未來龐大AI產品矩陣的冰山一角。在其最新的產品介紹中，中文作文批改，屬于中英文聽寫批改中的一個模塊。好未來有更大的野心，它的觸角已經伸向AI+教育的方方面面。
ChatGPT帶火生成式AI之后，人工智能行業的創業者既興奮又焦慮。他們興奮的是，行業終于又熱起來了；焦慮的是，ChatGPT實在是太強大了，很多垂直領域的創業項目一夜之間失去了壁壘。
像筆神作文這樣的公司，競爭壁壘在哪里，如何與巨頭對抗，是很現實的問題。而人工智能行業的加速內卷，同質化競爭的加劇，會讓創業公司與巨頭的對抗升級。
搶數據，或許只是新一輪爭奪戰的冰山一角。
*題圖來源于視覺中國。應受訪者要求，劉然為化名。
本文來自微信公眾號“深AI”（ID:DeepAI2023），作者：黎明，編輯：魏佳，36氪經授權發布。
