“盗”数据，AI 大模型的黑暗面

原文来源：

图片来源：由无界 AI 生成

一个叫作“一笔两划”的创业公司，公开声讨曾经的教培龙头“学而思”，说它用“扒库”的方式，“偷”走了自己辛辛苦苦攒下的数据。

故事的起因，是在今年4月中旬，“笔神作文”（一笔两划公司旗下产品）发现，服务器接口出现大量有规律的异常访问，导致服务器承载压力快速升高。

访问量远超日常平均值。笔神作文对深AI透露，平时的日访问量大约是几百或几千，那几天暴增至每天超过50万。一周之内，他们的数据被爬取了258万次。

笔神作文公布的数据库调用情况

通过查阅服务器日志，笔神作文发现，单一IP通过“爬虫”技术，高密度地爬取了他们的数据库。这个IP每次访问的搜索词，都是作文相关，系统会每页返回30篇作文，每次访问都是用搜索词从第一页逐页向后翻，基本上把库里同个题目的所有作文，全部抓取完了。

业内人士介绍，通常情况下，普通用户不会这么干。这种对数据库的搜刮式访问，也被称为“扒库”。

笔神作文认为，“扒库”的幕后黑手，是它的合作伙伴学而思。

“扒库”事件发生后没多久，笔神作文发现，学而思在进行数学大模型MathGPT的研发，并表示将于近期上线一款“AI助手”，其中一项功能，就是作文。

笔神作文被“扒库”，和学而思开发“作文AI助手”，这两起事件之间是否有关联，目前尚没有明确结论。

但笔神作文认为，自己的权益被侵犯了。它向对方发去律师函，并将这件事公之于众，试图讨要一个说法。学而思方面则给出公开回应，称对笔神素材内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”，没有使用笔神作文的任何数据。

此次事件中，值得探讨的不仅是作文素材。数据，对于大模型而言，意味着什么？

合作伙伴变成门口野蛮人？

双方各执一词

我们先简单介绍一下笔神作文。

这家公司成立于2017年，产品“笔神”是一款人工智能辅助写作软件，算是AI+教育的产物。一开始“笔神”面向内容创作平台和相关工具厂商，后来深入到垂直领域，用AI教学生写作文，于是就有了“笔神作文”。

你可以简单理解：它处在教育行业，面向的是学生群体，利用了人工智能技术，解决的是写作文的场景。

AI写作文，跟今天大火的ChatGPT，在技术上有很多共通之处。它们都涉及到自然语言处理、语义分析预测、机器学习等技术。笔神作文创始人宋嘉伟，曾担任过索尼高级系统架构师、奇点机智CTO。

早在五年前，宋嘉伟就说过，在考虑如何将bert或GPT-2这些预训练语言模型技术运用到应用中去。当时GPT尚未出圈，不像今天这样广为人知。

开始做AI作文之后，笔神作文正式进入教育赛道，跟教培龙头学而思踏进了同一条河流。

据笔神方面介绍，2020年12月，笔神作文跟学而思达成合作。笔神作文为学而思提供“笔神作文范文素材服务接口”，用于学而思相关服务中，按调用次数结算费用。为此，笔神作文为学而思开放了服务接口。

也就是说，学而思可以调用笔神作文数据库中的作文素材，并为之付费。

作文素材，是这项交易中的一个核心资产，也是笔神作文商业模式的基石。事实上，笔神作文最早就是从素材这个点切入的。它当年主打的“一键找素材”功能，用户通过搜索关键词，系统可以自动匹配素材，资源从古诗词经典、公文，到现代网文均有涵盖。在写作过程中，系统还可以实时推送素材。

这些素材不是来源于网络，而是笔神自有的数据库。通过AI技术的智能识别、翻译、匹配，笔神能向用户的搜索行为反馈回合适的素材。

当这些作文素材的量足够大、质量足够优质、匹配够精准，就具备了一定的商业价值，甚至可以对外售卖。这才有了跟学而思的合作。

问题是，这些素材有被“偷”走的风险，尤其是在开放部分接口的情况下。

按照笔神作文对深AI的介绍，他们对与学而思的合作范围进行了限定，“我们开放接口让他们调用我们的数据，显示在他们自己的APP里，但合同中并未包括存储数据或用于AI算法的权限。数据应仅供他们的用户调用，不能被存储在他们的机器上。”

相当于，当用户在学而思的产品端发起搜索，调用的作文范本来自笔神作文，学而思不能自己储存。

4月中旬的那次异常调用，让笔神作文认为，超出了正常的商业合作范围。“他们的行为触发了我们的防御机制，这才使我们发现了这一情况。”