非营利性新闻工作室 ProofNews 昨日发布博文，表示包括苹果、英伟达、Salesforce 和 Anthrophic 在内的大型科技公司，报道称这些科技公司在训练其 AI 模型过程中，使用了名为 YouTube Subtitles 的数据集，大小为 5.7GB。

　　该数据集由 EleutherAI 创建，最早发布于 2020 年，涉及超过 48000 个频道的 173536 个 YouTube 字幕内容，其中还包含 12000 多个平台已删除的字幕内容。

　　YouTube Subtitles 数据集主要采集热门 YouTube 频道的资源，附上相关信息如下：

　　MrBeast

　　Marques Brownlee

　　Jacksepticeye

　　PewDiePie

　　YouTube Subtitles 数据集隶属于一个名为“The Pile”的数据集，其中包括其他几个训练数据集。大多数“The Pile”数据集都对任何有足够空间和计算能力的人开放。