🕷️
SetupAI
🏠較早收集於 5m

微軟 MAI 系列模型訓練數據透明度引發爭議

微軟 MAI 系列模型訓練數據透明度引發爭議
PostLinkedIn
🏠閱讀原文： IT之家
#data-ethics#model-transparency#web-scrapingmicrosoft-mai-seriesmicrosoftmaicommon crawl

💡微軟的訓練數據宣稱遭到質疑；了解為何模型來源的透明度正成為重大風險。

⚡ 30-Second TL;DR

有什麼變化

微軟曾宣稱 MAI 模型僅使用乾淨且具商業授權的數據。

為什麼重要

此落差可能導致企業 AI 模型的透明度受到更嚴格審查，並可能引發關於數據使用政策的法律挑戰。

下一步行動

審查您自己的數據來源管道，確保行銷宣傳與實際訓練數據組成之間的一致性。

誰應關注：Researchers & Academics

關鍵要點

  • •微軟曾宣稱 MAI 模型僅使用乾淨且具商業授權的數據。
  • •技術論文顯示模型實際包含了 Common Crawl 等開放網路數據。
  • •微軟聲稱使用自有爬蟲並遵守 robots.txt 協議。
  • •此爭議凸顯了 AI 訓練數據抓取中「預設同意」的倫理問題。

🧠 深度解析

Web-grounded analysis with 22 cited sources.

🔑 增強重點摘要

  • •此次爭議的核心是微軟的推理語言模型MAI-Thinking-1，該公司在Build 2026大會上聲稱其訓練數據為「企業級、乾淨且經商業授權的數據」，但其發布的技術預印本（MAI-Thinking-1 preprint）卻揭示了Common Crawl數據的包含。
  • •Common Crawl是一個非營利性的網路爬取內容檔案庫，它不對所索引的材料提供任何授權聲明，也不向權利人支付費用，這可能使微軟及其企業客戶面臨潛在的版權侵權法律風險。
  • •MAI-Thinking-1訓練語料庫中，經過濾和去重後的Common Crawl部分包含了242億個頁面。
  • •微軟在Build 2026上的行銷宣稱，是為了迎合金融、醫療保健和政府等受監管行業中對合規性敏感的企業買家，這些買家因智慧財產權風險和供應商依賴問題，正嚴格審查AI模型的訓練數據來源。
  • •截至2026年6月5日，微軟尚未就其Build 2026的行銷聲明與MAI-Thinking-1技術論文中訓練數據文檔之間的矛盾發表公開聲明。
📊 競品分析▸ Show
特性/公司Microsoft MAIGoogle (Gemini)OpenAI (GPT)Anthropic (Claude)
訓練數據來源透明度聲稱「乾淨、商業授權」，但技術論文揭示包含Common Crawl等開放網路數據。使用Common Crawl等開放網路數據，透明度有待提高。使用Common Crawl等開放網路數據，透明度有待提高。使用Common Crawl等開放網路數據，透明度有待提高。
數據授權與合規性聲稱遵守robots.txt協議，但Common Crawl不提供商業授權，存在潛在法律風險。普遍使用Common Crawl，面臨類似的版權和合規挑戰。普遍使用Common Crawl，面臨類似的版權和合規挑戰。普遍使用Common Crawl，面臨類似的版權和合規挑戰。
模型架構MAI-Thinking-1採用稀疏專家混合（MoE）架構，350億活躍參數，總參數約1兆。Gemini系列模型，具體架構未詳述，但為多模態。GPT系列模型，通常為Transformer架構。Claude系列模型，通常為Transformer架構。
性能/成本定位MAI-Thinking-1在程式碼基準測試中媲美Claude Opus 4.6，且成本效益更高；MAI-Transcribe-1聲稱比競品快5倍，GPU算力需求減半。Gemini 3.5 Flash已於2026年5月推出，強調速度與效率。領先的前沿模型，但企業使用成本可能較高。Claude Opus 4.6為領先模型，但成本可能較高。
對第三方模型的依賴旨在降低對OpenAI的依賴，發展自有模型生態系統。發展自有模型，如Gemini系列。作為領先模型提供者，被許多公司依賴。發展自有模型，如Claude系列。

🛠️ 技術深入

  • MAI-Thinking-1是微軟AI（MAI）團隊開發的推理型語言模型，採用稀疏專家混合（MoE）架構。
  • 該模型在推理時具有350億個活躍參數，總參數約為1兆。
  • MAI-Thinking-1專為複雜、多步驟的推理任務設計，而非僅僅是模式匹配。
  • 微軟強調MAI-Thinking-1是「從頭開始」訓練的，沒有使用第三方模型進行蒸餾，旨在讓模型「真正學習」任務。
  • 訓練數據管線中，經過濾和去重後，包含了242億個來自Common Crawl的頁面。
  • 微軟採用內部稱為「爬山機」（Hill-Climbing Machine）的系統進行端到端模型開發，涵蓋數據管線、訓練框架、強化學習環境、獎勵機制、評估套件和安全測試。
  • MAI-Thinking-1運行在微軟自主研發的MAIA-200晶片上，在相同機櫃功耗下，其token生成吞吐量比GB200部署高出40%以上。
  • MAI系列還包括其他模型，如MAI-Image-2.5（文生圖和圖像編輯）、MAI-Transcribe-1.5（語音轉文字，支援43種語言）、MAI-Voice-2（文字轉語音）和MAI-Code-1-Flash（針對GitHub Copilot優化的程式碼模型）。

🔮 前景展望AI analysis grounded in cited sources

AI訓練數據來源的透明度將成為企業採購AI解決方案的關鍵考量因素。
此次爭議凸顯了企業法律和合規團隊對數據來源的嚴格審查，這將加速對可驗證、經商業授權數據的需求，進而影響採購決策。
監管機構，特別是歐盟，將推動更嚴格的AI訓練數據透明度法規執行。
歐盟AI法案已要求通用AI模型公開訓練數據摘要，此類事件將加強對AI開發者進行更詳細、可驗證披露的要求。
微軟將面臨壓力，需要協調其公開聲明與技術披露之間關於數據來源的差異。
行銷聲明與技術論文之間的直接矛盾會造成信任赤字，微軟必須解決此問題以維持其信譽，特別是對於企業客戶而言。

⏳ 時間線

2019
微軟與OpenAI建立長期合作關係，據報導原始協議限制微軟獨立開發通用人工智慧（AGI）。
2024-12-10
微軟股東要求公司提交一份報告，評估在AI訓練中使用不道德或不當外部數據的風險。
2025
微軟成功與OpenAI重新談判協議，解除獨立開發AGI的限制。
2025-06-24
微軟發布第二份年度《負責任AI透明度報告》。
2026-04-02
微軟MAI團隊發布MAI-Transcribe-1、MAI-Voice-1和MAI-Image-2，這是其首批獨立開發的競爭性基礎模型。
2026-06-02
微軟在Build 2026大會上發布MAI系列模型，包括MAI-Thinking-1，並聲稱其訓練數據為「企業級、乾淨且經商業授權的數據」。
2026-06-05
MAI-Thinking-1的技術預印本發布，揭示其訓練數據中包含Common Crawl，與先前的聲明相矛盾。
🏠閱讀原文： IT之家
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #data-ethics

同產品

更多關於 microsoft-mai-series

同來源

最新來自 IT之家

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： IT之家 ↗