揭露 DeepSeek-R1 的訓練起源
Copyleaks，一家專注於 AI 檢測和治理的公司，最近的研究為 DeepSeek-R1 是否基於 OpenAI 的模型進行訓練提供了一個明確的答案：是的。DeepSeek 是一款免費的 AI 聊天機器人，其外觀、使用感受和功能與 ChatGPT 極為相似。
指紋技術：識別 AI 作者
為了揭示 AI 生成文本的起源，研究人員開發了一種創新的文本指紋工具。此工具旨在確定負責生成特定文本的 AI 模型。研究人員使用包含數千個 AI 生成樣本的龐大數據集對該工具進行了精心訓練。隨後，他們使用已知的 AI 模型對其進行了測試，結果非常明確。
驚人的相似性：DeepSeek-R1 與 OpenAI
測試揭示了一個引人注目的統計數據：DeepSeek-R1 生成的文本中有 74.2% 表現出與 OpenAI 輸出風格的匹配。這種強烈的相關性強烈表明 DeepSeek 在其訓練階段納入了 OpenAI 的模型。
對比方法：Microsoft 的 Phi-4
為了提供對比，可以參考 Microsoft 的 Phi-4 模型。在相同的測試中，Phi-4 與任何已知模型都表現出 99.3% 的「不一致」。這一結果有力地證明了其獨立訓練，表明 Phi-4 的開發沒有依賴現有模型。Phi-4 的獨立性與 DeepSeek 與 OpenAI 的高度相似性形成鮮明對比，突顯了後者明顯的複製或抄襲。
道德和智慧財產權問題
這一發現引發了對 DeepSeek-R1 與 OpenAI 模型高度相似性的嚴重擔憂。這些擔憂包括以下幾個關鍵領域：
- 數據來源： 用於訓練 DeepSeek-R1 的數據來源成為一個關鍵問題。
- 智慧財產權： 潛在侵犯 OpenAI 智慧財產權是一個重大問題。
- 透明度： DeepSeek 訓練方法缺乏透明度引發了道德問題。
研究團隊和方法
由 Yehonatan Bitton、Shai Nisan 和 Elad Bitton 領導的 Copyleaks 數據科學團隊進行了這項開創性的研究。他們的方法以「一致陪審團」方法為中心。這種方法涉及三個不同的檢測系統，每個系統都負責對 AI 生成的文本進行分類。只有當所有三個系統都一致時，才會做出最終判斷。
營運和市場影響
除了道德和智慧財產權問題外，還有實際的營運影響需要考慮。未公開依賴現有模型可能會導致以下幾個問題：
- 強化偏見： 原始模型中存在的偏見可能會被延續。
- 限制多樣性： 輸出的多樣性可能會受到限制，阻礙創新。
- 法律和道德風險： 可能會出現無法預見的法律或道德後果。
此外，DeepSeek 聲稱其革命性的、具有成本效益的訓練方法，如果被發現是基於未經授權的 OpenAI 技術提煉，可能會產生重大的市場影響。這可能導致 NVIDIA 一天損失 5930 億美元，並可能為 DeepSeek 提供不公平的競爭優勢。
嚴謹的方法：結合多個分類器
研究方法採用了高度嚴謹的方法，整合了三個先進的 AI 分類器。這些分類器中的每一個都經過精心訓練，使用了來自四個主要 AI 模型的文本樣本：
- Claude
- Gemini
- Llama
- OpenAI
這些分類器旨在識別細微的風格差異，包括：
- 句子結構： 句子中單詞和短語的排列。
- 詞彙： 單詞的選擇及其頻率。
- 措辭： 整體風格和表達語氣。
「一致陪審團」系統：確保準確性
「一致陪審團」系統是該方法的關鍵要素，確保了對誤報的強有力檢查。該系統要求所有三個分類器獨立地對分類達成一致，然後才認為分類是最終的。這一嚴格的標準使得精確度達到了 99.88%，誤報率僅為 0.04%。該系統展示了其準確識別來自已知和未知 AI 模型文本的能力。
超越 AI 檢測：模型特定歸因
Copyleaks 首席數據科學家 Shai Nisan 表示：「通過這項研究，我們已經超越了我們所知的通用 AI 檢測，進入了模型特定歸因，這是一項從根本上改變我們處理 AI 內容方式的突破。」
模型歸因的重要性
Nisan 進一步強調了此功能的重要性：「此功能至關重要，原因有很多，包括提高整體透明度、確保 AI 訓練的道德規範，以及最重要的是，保護 AI 技術的智慧財產權，並希望防止其潛在的濫用。」
深入探討：DeepSeek 方法的影響
這項研究的發現具有深遠的影響，不僅僅是 DeepSeek 是否抄襲了 OpenAI 模型這一直接問題。讓我們更詳細地探討其中一些影響：
創新的假象
如果 DeepSeek 的訓練嚴重依賴 OpenAI 的模型，那麼這就引發了對其創新程度的質疑。雖然 DeepSeek 可能將其聊天機器人呈現為一種新穎的創造，但其底層技術可能並不像最初聲稱的那樣具有突破性。這可能會誤導那些認為自己正在與真正獨特的 AI 系統互動的用戶和投資者。
對 AI 格局的影響
廣泛採用基於其他模型訓練的 AI 模型可能會對 AI 格局產生同質化影響。如果許多 AI 系統最終都源自少數幾個基礎模型，那麼這可能會限制該領域方法和觀點的多樣性。這可能會扼殺創新，並導致一個不那麼活躍和競爭激烈的 AI 生態系統。
需要更高的透明度
此案例突顯了在 AI 模型的開發和部署中需要更高透明度的迫切性。用戶和利益相關者有權知道 AI 系統是如何訓練的，以及使用了哪些數據來源。這些信息對於評估這些系統的潛在偏見、局限性和道德影響至關重要。
監管的作用
DeepSeek 案例也可能引發關於是否需要對 AI 行業進行更多監管的爭論。政府和監管機構可能需要考慮採取措施，以確保 AI 開發人員遵守道德準則、保護智慧財產權並提高透明度。
AI 開發的未來
圍繞 DeepSeek 訓練方法的爭議可能會成為更廣泛討論 AI 開發未來的催化劑。這可能會促使人們重新評估最佳實踐、道德考量以及在創建 AI 系統中原創性的重要性。
呼籲負責任的 AI 開發
DeepSeek 案例提醒我們負責任的 AI 開發的重要性。它強調了以下幾點：
- 原創性： AI 開發人員應努力創建真正新穎的模型，而不是嚴重依賴現有模型。
- 透明度： 用於開發 AI 系統的訓練數據和方法應向用戶和利益相關者披露。
- 道德考量： AI 開發應以道德原則為指導，包括公平、問責制和尊重智慧財產權。
- 協作： AI 社區內的開放協作和知識共享有助於促進創新並防止複製現有偏見。
前進的道路：確保一個多元化和道德的 AI 未來
最終目標應該是創建一個多元化和道德的 AI 生態系統，讓創新蓬勃發展，用戶可以信任他們所互動的系統。這需要對負責任的 AI 開發實踐、透明度以及對這項快速發展技術的道德影響進行持續對話的承諾。DeepSeek 案例是一個寶貴的教訓，突顯了過度依賴現有模型的潛在陷阱，並強調了在追求 AI 進步過程中原創性和道德考量的重要性。AI 的未來取決於我們今天所做的選擇，我們必須優先考慮負責任的開發，以確保為所有人創造一個有益和公平的未來。Copyleaks 調查的結果揭示了 AI 開發的一個關鍵方面，整個行業必須從這次經驗中學習，以促進一個更透明、更道德和更具創新性的未來。