很可惜 T 。T 您现在还不是作者身份，不能自主发稿哦～
如有投稿需求，请把文章发送到邮箱tougao@appcpx.com，一经录用会有专人和您联系
咨询如何成为春羽作者请联系：鸟哥笔记小羽毛（ngbjxym）
Reddit 在过去的 2024 年算得上是容光焕发。这家创立了近 20 年的社交平台，去年 3 月在纽交所完成上市，并在上市后的第三季度实现首次盈利，到目前股票已涨到上市首日开盘价的 350% 左右。
上市成功、首次盈利和股票暴涨的无外乎来自同一原因——AI。
Reddit 上的内容，具有进一步发展 AI 大模型技术所需要的语料库质量。
去年 2 月，Reddit 和 Google 达成协议，Reddit 内容可用于训练谷歌的人工智能模型，这项协议价值约每年 6000 万美元。Reddit称：“我们相信，我们不断增长的平台数据将成为领先大型语言模型（“LLM”）培训的关键要素，并成为 Reddit 的额外盈利渠道。”
上市后的 5 月，Reddit 和 OpenAI 也建立类似合作关系，Reddit 的问答内容将被带入 OpenAI 旗下产品，Reddit 平台的编辑功能和附加模组也将加入由 OpenAI 技术驱动的 AI 功能。该合作是双向的，OpenAI 为 Reddit 平台提供技术，Reddit 为 OpenAI 提供语料。
那么多 UGC 社交平台，为什么偏偏 Reddit 成为这些 AI 大模型厂商青睐的语料供应商？
业务生态上，Reddit 是一个相对独立的平台，其背后由多个利益集团及个人控股（康泰纳仕集团、腾讯等），而不像国内的一些社交平台母公司会拥有丰富的产品生态以及产业链，无需顾及自身的生态组合，语料可以作为合作时的筹码进行交易。
内容模式上，Reddit 通过 subReddit（子论坛）来组织内容，用户可以创建和加入不同的子论坛，在其中发帖和评论。用户还可以对帖子和评论进行“点赞”或“点踩”，被点赞的内容会获得更多的曝光机会，而被点踩的内容可能会被折叠或隐藏，形成了较好的语料产出正向循环，与知乎、豆瓣等类似。
发展阶段上，正如上述所说， 创立了二十年的 Reddit 去年才开始盈利，收入结构单一，此前主要收入来源是平台广告，现在（指近两年的AI大模型时代）对于Reddit 来说就是最好的业务拓展以求盈利的时机。
那么以此为模板来分析国内具有较多文字语料且业务较为独立的 UGC 平台，B站，小红书，微博，豆瓣，知乎，贴吧，在这几个平台之中，对比各方面情况，我们可以大致预测一下谁最有可能在 2025 年成为AI时代的中国 Reddit。
笼统来说，所有的大模型训练语料来源都得是合法且许可的内容渠道，如 OpenAI 的语料来源，包括以下五种：
1、Common Crawl：基于大规模网页抓取形成的数据集，由同名的非营利机构所有；
2、WebText：由OpenAI构建的一个专注于文档质量的网络文本语料库，数据量为40GB，用于GPT-2、GPT-3等模型的训练；
3、维基百科；
4、书籍和期刊；
5、社交媒体内容，例如 Reddit 等社交媒体平台上的内容。
不难看出，前四项的语料渠道相比起第五项会缺乏一些“人味”，社交媒体为 AI 带来的语料具有更加落地的经验性以及即时性。自身缺乏“人味”语料库的 AI 厂商可能将会开始在各大 UGC 社交软件之中寻找一些合适的目标。
当然并不是所有 UGC 社交平台的业务模式都能卖语料。如微信生态内的公众号，小绿书等内容渠道。从其母公司的角度来讲，微信生态内的语料质量甚至会是腾讯在 AI 时代的隐藏杀手锏之一，至于具体怎么用起来就是后话了，本文不做赘述。
类似情况的当然还有抖音的母公司字节（只是其更多为视频图像内容），这些以社交平台为商业帝国根基的大厂，同时又布局了云计算，并在AI时代布局了大模型，都会将自身平台内容捏在自己手里。
而其他相对比较独立的 C 端社交平台产品，尤其是内容以文字类为主的平台，都有机会在接下来的AI时代，像 Reddit 一样老树发新芽。因此，B站，小红书，微博，豆瓣，知乎，贴吧是指的进一步研究的平台。
理论上来说，只要用户没意见，平台就可以处置这些语料，这涉及到平台跟用户的内容协议，关于用户协议后文会提到，此处按下不表。
这时候更关键的问题是，厂商如何判定谁的语料更好更适合自己？
平台上用户自发的内容判定机制会成为首要因素，以 Reddit 为例，用户可以对帖子和评论进行“点赞”或“点踩”，这形成了较好的语料产出正向循环。跟现如今用户使用各大AI软件时为生成的内容点赞点踩的作用是一样的，相当于AI训练阶段的人工“数据标注”工作。
当然，平台自身的内容判定机制也很重要，平台的“机审”机制可以算作是大模型发展向人类看齐的“超级对齐”方式。
还有平台用户画像跟AI的适配度，这有时要根据厂商业务自身需求来。而在没有具体需求时，用户画像更多元，年龄、性别、地理位置、受教育程度等各个维度更均衡，粘性更高的平台语料更好。
当然以上仅为分析模板，关于B站，小红书，微博，豆瓣，知乎等平台在以上这三个方面的表现，需要在此模板上更加细致的平台语料调研。
而笔者在此处初步猜测，如果是想要用来训练一款面向相对较年轻群体（这部分为消费主力军）的 AGI，那么在这三方面得分率较高的平台有B站，小红书，微博。因此，这三个平台将进入下一轮筛选。
只不过在厂商眼里适合的目标，却不一定想卖。
B站，小红书，微博这三者中，最不想卖的应该就是小红书。这是因为，小红书目前的发展阶段不适合将自身平台语料出售。
商业模式上来讲，小红书正处于商业化探索上升期。此前《新立场》的文章就提过：小红书 2024 年四季度日均搜索量已经来到了 6 亿次附近，而前年年中这一指标还是 3 亿左右。如果结合此前双十一过后小红书发布的战报，“成交破千万的商家同比是去年的 5.4 倍”、“单场破千万的买手同比是去年的 3.6 倍”这些信息来看，小红书整个生态的增长是有内容和交易双维度数据支撑的。
财务状况上来讲，小红书也许并不算太缺钱。英国《金融时报》曾报道，小红书在 2023 年首次实现盈利。小红书2023年的营收达到37亿美元，增长 85% ；净利润为 5 亿美元。尽管 2024 年年中小红书也曾裁员，但从裁员描述来看，更接近业务调整。
另外，小红书目前自己也正在平台内测试多个AI功能。包括但不限于搜索结果页的AI总结，一些AI内容生成玩法等。
从 Reddit 跟 OpenAI 的合作中不难看出，合作算是双向的， Reddit 为大模型厂商提供语料的同时，大模型厂商也会为平台提供技术支持。但小红书可能并不想成为其他厂商的语料供应商，反而，小红书需要的是大模型的供应商，偏向于在关于AI的合作中成为绝对的甲方。
而从 B 站和微博目前的发展阶段和商业模式来看，笔者认为都是适合跟大模型厂商达成 Reddit 模式合作的。
2024年 B 站已经与kimi有较为深度的合作，包括 kimi 在 B 站投放广告，以及 kimi 生成的结果信源之中包括 B 站。当然，仅仅只能考察到 kimi 有将 B 站作为信息生成的信源，暂无法确认 kimi 是否有将 B 站的内容作为训练数据。但是有了这种程度的合作，更进一步的合作模式卡点自然会更少。
就 B 站本身而言，目前商业模式基本已经确定，去年第三季度首次实现单季度盈利，接下来有望靠着广告等业务板块的增长继续盈利。
B 站的内容储备量及质量较高，长视频内容非常适合转化成文字，同时具有大量的观点性思考，加之也有粘性较高的社区氛围，包括“一键三连”在内等内容判定机制能够较好形成优质内容产出循环。
只不过，由于将平台内容用于跟大模型厂商合作之前，最需要先解决的是用户协议。更具体来说，对 B 站有平台忠诚度的用户是否能接受自己的评论、视频、文字等内容用于 AI 训练，或如何让用户接受，这将是最大的卡点。
而微博跟B站的发展阶段一样已经趋于稳定。此前《新立场》文章也提到过，微博现在做的事，是“提纯”这个平台的深度用户，让他们的价值“结晶”。从用户数据来看，微博的月活基本稳定在 5.8 亿上下，环比波动不大。从 2023Q4 到 2024Q2，微博的月活用户数分别为 5.98、5.88 和 5.83 亿，其用户定位和使用场景都已经足够清晰，所以在高强度的注意力竞争中用户规模还能保持相对稳定。
只不过与 B 站不同的是，微博用户对于自己的内容被用来生成 AI 内容似乎并不排斥。微博的评论机器人“罗伯特”就是一个很好的例子。
现在微博不同的圈子、用户评论区内，罗伯特有不同的发言风格，甚至罗伯特已经成为提升微博用户粘性的手段之一。在促进用户粘性的同时，还能促进整个平台用户对 AI 的高接受程度，达成这样的平衡并不容易。
所以综上看来，如果缺乏语料库的大模型厂商需要找到一个活人多的社交平台作为语料供应商，微博可能会是一个不错的选项。
如果不是微博，需要真实语料库的大模型厂商也可以考察有哪个社交平台的用户心智同时满足以上，能够在用户心里达成“我想在你这里说真心话”同时“我不在乎我在你这里说的话被拿去喂AI”，或者想要成为语料库供应商的社交软件可以向这个方向靠拢。
而关于如何卖语料，正如上述所说，做好平台和用户的内容协议是第一步。
ChatGPT刚爆火时期，有消息称其中文回答信源来自知乎后，知乎的股价就有所上涨。也许知乎等平台也可以纳入考虑范围，但篇幅有限，此处不多赘述。
而语料库的用户认知将如何影响大模型的训练，美国大模型圈有一个案例可让我们具体感知。
2023 年初，OpenAI 刚走进大众视野没多久就有一个“丑闻”爆出，OpenAI 原本对外称自己有一个 40 人左右的数据标注团队，而消息则称 OpenAI 在肯尼亚有一家外包公司为其提供数据标注服务，以每小时不到 2 美元的价格雇佣肯尼亚工人打标签。
现在来看，大模型厂商使用第三方数据标注服务已经成为公开的事情。只是如果“肯尼亚”这个信息点是真，这或许意味着在那时候的大模型圈，像 OpenAI 这样操作的也不止一家。
2024 年初，谷歌 Gemini 大模型生成图像避免白人内容的事情曾闹得沸沸扬扬，似乎跟上述 OpenAI 雇佣肯尼亚的数据标注外包团队的事情异曲同工。
不过有一点毋庸置疑，社交平台用户风格是什么样，其作为语料供应商所训练的AI极大可能也会拥有同样的“性格”。
可以笃定的是，2025的 AI 训练即将进入语料比拼阶段。
本文为作者独立观点，不代表鸟哥笔记立场，未经允许不得转载。
《鸟哥笔记版权及免责申明》 如对文章、图片、字体等版权有疑问，请点击 反馈举报
Powered by QINGMOB PTE. LTD. © 2010-2022 上海青墨信息科技有限公司 沪ICP备2021034055号-6
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求，为完善跟帖评论自律管理，为了保护用户创造的内容、维护开放、真实、专业的平台氛围，我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容，同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规，对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息，主要表现为：
1)反对宪法所确定的基本原则；
2)危害国家安全，泄露国家秘密，颠覆国家政权，破坏国家统一，损害国家荣誉和利益；
3)侮辱、滥用英烈形象，歪曲、丑化、亵渎、否定英雄烈士事迹和精神，以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉；
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动；
5)煽动民族仇恨、民族歧视，破坏民族团结；
6)破坏国家宗教政策，宣扬邪教和封建迷信；
7)散布谣言，扰乱社会秩序，破坏社会稳定；
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪；
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序；
10)侮辱或者诽谤他人，侵害他人名誉、隐私和其他合法权益；
11)通过网络以文字、图片、音视频等形式，对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法规禁止的其他内容；
2. 不友善：不尊重用户及其所贡献内容的信息或行为。主要表现为：
1)轻蔑：贬低、轻视他人及其劳动成果；
2)诽谤：捏造、散布虚假事实，损害他人名誉；
3)嘲讽：以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述，以此来激怒他人；
4)挑衅：以不友好的方式激怒他人，意图使对方对自己的言论作出回应，蓄意制造事端；
5)羞辱：贬低他人的能力、行为、生理或身份特征，让对方难堪；
6)谩骂：以不文明的语言对他人进行负面评价；
7)歧视：煽动人群歧视、地域歧视等，针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击；
8)威胁：许诺以不良的后果来迫使他人服从自己的意志；
3. 发布垃圾广告信息：以推广曝光为目的，发布影响用户体验、扰乱本网站秩序的内容，或进行相关行为。主要表现为：
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式：
2)单个帐号多次发布包含垃圾广告的内容；
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容；
4)多次发布包含欺骗性外链的内容，如未注明的淘宝客链接、跳转网站等，诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光；
6)购买或出售帐号之间虚假地互动，发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容，如通过伪造经历、冒充他人等方式进行恶意营销；
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息，主要表现为：
1)包含自己或他人性经验的细节描述或露骨的感受描述；
2)涉及色情段子、两性笑话的低俗内容；
3)配图、头图中包含庸俗或挑逗性图片的内容；
4)带有性暗示、性挑逗等易使人产生性联想；
5)展现血腥、惊悚、残忍等致人身心不适；
6)炒作绯闻、丑闻、劣迹等；
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息，主要表现为：
1)可能存在事实性错误或者造谣等内容；
2)存在事实夸大、伪造虚假经历等误导他人的内容；
3)伪造身份、冒充他人，通过头像、用户名等个人信息暗示自己具有特定身份，或与特定机构或个人存在关联。
6. 传播封建迷信，主要表现为：
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病；
2)求推荐算命看相大师；
3)针对具体风水等问题进行求助或咨询；
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失，包括通过占卜方法问婚姻、前程、运势，东西宠物丢了能不能找回、取名改名等；
7. 文章标题党，主要表现为：
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户；
2)内容与标题之间存在严重不实或者原意扭曲；
3)使用夸张标题，内容与标题严重不符的。
8.「饭圈」乱象行为，主要表现为：
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论，影响传播秩序
9. 其他危害行为或内容，主要表现为：
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的；
2)不当评述自然灾害、重大事故等灾难的；
3)美化、粉饰侵略战争行为的；
4)法律、行政法规禁止，或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时，本网站将依据相关用户违规情节严重程度，对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号，或者滥用多个帐号发布违规内容时，本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富，本网站出于维护本网站氛围和秩序的目的，将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议，可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)