很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
Reddit 在過去的 2024 年算得上是容光煥發(fā)。這家創(chuàng)立了近 20 年的社交平臺，去年 3 月在紐交所完成上市，并在上市后的第三季度實現(xiàn)首次盈利，到目前股票已漲到上市首日開盤價的 350% 左右。
上市成功、首次盈利和股票暴漲的無外乎來自同一原因——AI。
Reddit 上的內(nèi)容，具有進一步發(fā)展 AI 大模型技術所需要的語料庫質(zhì)量。
去年 2 月，Reddit 和 Google 達成協(xié)議，Reddit 內(nèi)容可用于訓練谷歌的人工智能模型，這項協(xié)議價值約每年 6000 萬美元。Reddit稱：“我們相信，我們不斷增長的平臺數(shù)據(jù)將成為領先大型語言模型（“LLM”）培訓的關鍵要素，并成為 Reddit 的額外盈利渠道。”
上市后的 5 月，Reddit 和 OpenAI 也建立類似合作關系，Reddit 的問答內(nèi)容將被帶入 OpenAI 旗下產(chǎn)品，Reddit 平臺的編輯功能和附加模組也將加入由 OpenAI 技術驅(qū)動的 AI 功能。該合作是雙向的，OpenAI 為 Reddit 平臺提供技術，Reddit 為 OpenAI 提供語料。
那么多 UGC 社交平臺，為什么偏偏 Reddit 成為這些 AI 大模型廠商青睞的語料供應商？
業(yè)務生態(tài)上，Reddit 是一個相對獨立的平臺，其背后由多個利益集團及個人控股（康泰納仕集團、騰訊等），而不像國內(nèi)的一些社交平臺母公司會擁有豐富的產(chǎn)品生態(tài)以及產(chǎn)業(yè)鏈，無需顧及自身的生態(tài)組合，語料可以作為合作時的籌碼進行交易。
內(nèi)容模式上，Reddit 通過 subReddit（子論壇）來組織內(nèi)容，用戶可以創(chuàng)建和加入不同的子論壇，在其中發(fā)帖和評論。用戶還可以對帖子和評論進行“點贊”或“點踩”，被點贊的內(nèi)容會獲得更多的曝光機會，而被點踩的內(nèi)容可能會被折疊或隱藏，形成了較好的語料產(chǎn)出正向循環(huán)，與知乎、豆瓣等類似。
發(fā)展階段上，正如上述所說， 創(chuàng)立了二十年的 Reddit 去年才開始盈利，收入結構單一，此前主要收入來源是平臺廣告，現(xiàn)在（指近兩年的AI大模型時代）對于Reddit 來說就是最好的業(yè)務拓展以求盈利的時機。
那么以此為模板來分析國內(nèi)具有較多文字語料且業(yè)務較為獨立的 UGC 平臺，B站，小紅書，微博，豆瓣，知乎，貼吧，在這幾個平臺之中，對比各方面情況，我們可以大致預測一下誰最有可能在 2025 年成為AI時代的中國 Reddit。
籠統(tǒng)來說，所有的大模型訓練語料來源都得是合法且許可的內(nèi)容渠道，如 OpenAI 的語料來源，包括以下五種：
1、Common Crawl：基于大規(guī)模網(wǎng)頁抓取形成的數(shù)據(jù)集，由同名的非營利機構所有；
2、WebText：由OpenAI構建的一個專注于文檔質(zhì)量的網(wǎng)絡文本語料庫，數(shù)據(jù)量為40GB，用于GPT-2、GPT-3等模型的訓練；
3、維基百科；
4、書籍和期刊；
5、社交媒體內(nèi)容，例如 Reddit 等社交媒體平臺上的內(nèi)容。
不難看出，前四項的語料渠道相比起第五項會缺乏一些“人味”，社交媒體為 AI 帶來的語料具有更加落地的經(jīng)驗性以及即時性。自身缺乏“人味”語料庫的 AI 廠商可能將會開始在各大 UGC 社交軟件之中尋找一些合適的目標。
當然并不是所有 UGC 社交平臺的業(yè)務模式都能賣語料。如微信生態(tài)內(nèi)的公眾號，小綠書等內(nèi)容渠道。從其母公司的角度來講，微信生態(tài)內(nèi)的語料質(zhì)量甚至會是騰訊在 AI 時代的隱藏殺手锏之一，至于具體怎么用起來就是后話了，本文不做贅述。
類似情況的當然還有抖音的母公司字節(jié)（只是其更多為視頻圖像內(nèi)容），這些以社交平臺為商業(yè)帝國根基的大廠，同時又布局了云計算，并在AI時代布局了大模型，都會將自身平臺內(nèi)容捏在自己手里。
而其他相對比較獨立的 C 端社交平臺產(chǎn)品，尤其是內(nèi)容以文字類為主的平臺，都有機會在接下來的AI時代，像 Reddit 一樣老樹發(fā)新芽。因此，B站，小紅書，微博，豆瓣，知乎，貼吧是指的進一步研究的平臺。
理論上來說，只要用戶沒意見，平臺就可以處置這些語料，這涉及到平臺跟用戶的內(nèi)容協(xié)議，關于用戶協(xié)議后文會提到，此處按下不表。
這時候更關鍵的問題是，廠商如何判定誰的語料更好更適合自己？
平臺上用戶自發(fā)的內(nèi)容判定機制會成為首要因素，以 Reddit 為例，用戶可以對帖子和評論進行“點贊”或“點踩”，這形成了較好的語料產(chǎn)出正向循環(huán)。跟現(xiàn)如今用戶使用各大AI軟件時為生成的內(nèi)容點贊點踩的作用是一樣的，相當于AI訓練階段的人工“數(shù)據(jù)標注”工作。
當然，平臺自身的內(nèi)容判定機制也很重要，平臺的“機審”機制可以算作是大模型發(fā)展向人類看齊的“超級對齊”方式。
還有平臺用戶畫像跟AI的適配度，這有時要根據(jù)廠商業(yè)務自身需求來。而在沒有具體需求時，用戶畫像更多元，年齡、性別、地理位置、受教育程度等各個維度更均衡，粘性更高的平臺語料更好。
當然以上僅為分析模板，關于B站，小紅書，微博，豆瓣，知乎等平臺在以上這三個方面的表現(xiàn)，需要在此模板上更加細致的平臺語料調(diào)研。
而筆者在此處初步猜測，如果是想要用來訓練一款面向相對較年輕群體（這部分為消費主力軍）的 AGI，那么在這三方面得分率較高的平臺有B站，小紅書，微博。因此，這三個平臺將進入下一輪篩選。
只不過在廠商眼里適合的目標，卻不一定想賣。
B站，小紅書，微博這三者中，最不想賣的應該就是小紅書。這是因為，小紅書目前的發(fā)展階段不適合將自身平臺語料出售。
商業(yè)模式上來講，小紅書正處于商業(yè)化探索上升期。此前《新立場》的文章就提過：小紅書 2024 年四季度日均搜索量已經(jīng)來到了 6 億次附近，而前年年中這一指標還是 3 億左右。如果結合此前雙十一過后小紅書發(fā)布的戰(zhàn)報，“成交破千萬的商家同比是去年的 5.4 倍”、“單場破千萬的買手同比是去年的 3.6 倍”這些信息來看，小紅書整個生態(tài)的增長是有內(nèi)容和交易雙維度數(shù)據(jù)支撐的。
財務狀況上來講，小紅書也許并不算太缺錢。英國《金融時報》曾報道，小紅書在 2023 年首次實現(xiàn)盈利。小紅書2023年的營收達到37億美元，增長 85% ；凈利潤為 5 億美元。盡管 2024 年年中小紅書也曾裁員，但從裁員描述來看，更接近業(yè)務調(diào)整。
另外，小紅書目前自己也正在平臺內(nèi)測試多個AI功能。包括但不限于搜索結果頁的AI總結，一些AI內(nèi)容生成玩法等。
從 Reddit 跟 OpenAI 的合作中不難看出，合作算是雙向的， Reddit 為大模型廠商提供語料的同時，大模型廠商也會為平臺提供技術支持。但小紅書可能并不想成為其他廠商的語料供應商，反而，小紅書需要的是大模型的供應商，偏向于在關于AI的合作中成為絕對的甲方。
而從 B 站和微博目前的發(fā)展階段和商業(yè)模式來看，筆者認為都是適合跟大模型廠商達成 Reddit 模式合作的。
2024年 B 站已經(jīng)與kimi有較為深度的合作，包括 kimi 在 B 站投放廣告，以及 kimi 生成的結果信源之中包括 B 站。當然，僅僅只能考察到 kimi 有將 B 站作為信息生成的信源，暫無法確認 kimi 是否有將 B 站的內(nèi)容作為訓練數(shù)據(jù)。但是有了這種程度的合作，更進一步的合作模式卡點自然會更少。
就 B 站本身而言，目前商業(yè)模式基本已經(jīng)確定，去年第三季度首次實現(xiàn)單季度盈利，接下來有望靠著廣告等業(yè)務板塊的增長繼續(xù)盈利。
B 站的內(nèi)容儲備量及質(zhì)量較高，長視頻內(nèi)容非常適合轉化成文字，同時具有大量的觀點性思考，加之也有粘性較高的社區(qū)氛圍，包括“一鍵三連”在內(nèi)等內(nèi)容判定機制能夠較好形成優(yōu)質(zhì)內(nèi)容產(chǎn)出循環(huán)。
只不過，由于將平臺內(nèi)容用于跟大模型廠商合作之前，最需要先解決的是用戶協(xié)議。更具體來說，對 B 站有平臺忠誠度的用戶是否能接受自己的評論、視頻、文字等內(nèi)容用于 AI 訓練，或如何讓用戶接受，這將是最大的卡點。
而微博跟B站的發(fā)展階段一樣已經(jīng)趨于穩(wěn)定。此前《新立場》文章也提到過，微博現(xiàn)在做的事，是“提純”這個平臺的深度用戶，讓他們的價值“結晶”。從用戶數(shù)據(jù)來看，微博的月活基本穩(wěn)定在 5.8 億上下，環(huán)比波動不大。從 2023Q4 到 2024Q2，微博的月活用戶數(shù)分別為 5.98、5.88 和 5.83 億，其用戶定位和使用場景都已經(jīng)足夠清晰，所以在高強度的注意力競爭中用戶規(guī)模還能保持相對穩(wěn)定。
只不過與 B 站不同的是，微博用戶對于自己的內(nèi)容被用來生成 AI 內(nèi)容似乎并不排斥。微博的評論機器人“羅伯特”就是一個很好的例子。
現(xiàn)在微博不同的圈子、用戶評論區(qū)內(nèi)，羅伯特有不同的發(fā)言風格，甚至羅伯特已經(jīng)成為提升微博用戶粘性的手段之一。在促進用戶粘性的同時，還能促進整個平臺用戶對 AI 的高接受程度，達成這樣的平衡并不容易。
所以綜上看來，如果缺乏語料庫的大模型廠商需要找到一個活人多的社交平臺作為語料供應商，微博可能會是一個不錯的選項。
如果不是微博，需要真實語料庫的大模型廠商也可以考察有哪個社交平臺的用戶心智同時滿足以上，能夠在用戶心里達成“我想在你這里說真心話”同時“我不在乎我在你這里說的話被拿去喂AI”，或者想要成為語料庫供應商的社交軟件可以向這個方向靠攏。
而關于如何賣語料，正如上述所說，做好平臺和用戶的內(nèi)容協(xié)議是第一步。
ChatGPT剛爆火時期，有消息稱其中文回答信源來自知乎后，知乎的股價就有所上漲。也許知乎等平臺也可以納入考慮范圍，但篇幅有限，此處不多贅述。
而語料庫的用戶認知將如何影響大模型的訓練，美國大模型圈有一個案例可讓我們具體感知。
2023 年初，OpenAI 剛走進大眾視野沒多久就有一個“丑聞”爆出，OpenAI 原本對外稱自己有一個 40 人左右的數(shù)據(jù)標注團隊，而消息則稱 OpenAI 在肯尼亞有一家外包公司為其提供數(shù)據(jù)標注服務，以每小時不到 2 美元的價格雇傭肯尼亞工人打標簽。
現(xiàn)在來看，大模型廠商使用第三方數(shù)據(jù)標注服務已經(jīng)成為公開的事情。只是如果“肯尼亞”這個信息點是真，這或許意味著在那時候的大模型圈，像 OpenAI 這樣操作的也不止一家。
2024 年初，谷歌 Gemini 大模型生成圖像避免白人內(nèi)容的事情曾鬧得沸沸揚揚，似乎跟上述 OpenAI 雇傭肯尼亞的數(shù)據(jù)標注外包團隊的事情異曲同工。
不過有一點毋庸置疑，社交平臺用戶風格是什么樣，其作為語料供應商所訓練的AI極大可能也會擁有同樣的“性格”。
可以篤定的是，2025的 AI 訓練即將進入語料比拼階段。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網(wǎng)絡信息。
一、根據(jù)《網(wǎng)絡信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網(wǎng)絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治病；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內(nèi)容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內(nèi)容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權歸屬本網(wǎng)站所有)