Reddit 在過(guò)去的 2024 年算得上是容光煥發(fā)。這家創(chuàng)立了近 20 年的社交平臺(tái)，去年 3 月在紐交所完成上市，并在上市后的第三季度實(shí)現(xiàn)首次盈利，到目前股票已漲到上市首日開(kāi)盤(pán)價(jià)的 350% 左右。

上市成功、首次盈利和股票暴漲的無(wú)外乎來(lái)自同一原因——AI。

Reddit 上的內(nèi)容，具有進(jìn)一步發(fā)展 AI 大模型技術(shù)所需要的語(yǔ)料庫(kù)質(zhì)量。

去年 2 月，Reddit 和 Google 達(dá)成協(xié)議，Reddit 內(nèi)容可用于訓(xùn)練谷歌的人工智能模型，這項(xiàng)協(xié)議價(jià)值約每年 6000 萬(wàn)美元。Reddit稱：“我們相信，我們不斷增長(zhǎng)的平臺(tái)數(shù)據(jù)將成為領(lǐng)先大型語(yǔ)言模型（“LLM”）培訓(xùn)的關(guān)鍵要素，并成為 Reddit 的額外盈利渠道?！?/p>

上市后的 5 月，Reddit 和 OpenAI 也建立類似合作關(guān)系，Reddit 的問(wèn)答內(nèi)容將被帶入 OpenAI 旗下產(chǎn)品，Reddit 平臺(tái)的編輯功能和附加模組也將加入由 OpenAI 技術(shù)驅(qū)動(dòng)的 AI 功能。該合作是雙向的，OpenAI 為 Reddit 平臺(tái)提供技術(shù)，Reddit 為 OpenAI 提供語(yǔ)料。

那么多 UGC 社交平臺(tái)，為什么偏偏 Reddit 成為這些 AI 大模型廠商青睞的語(yǔ)料供應(yīng)商？

業(yè)務(wù)生態(tài)上，Reddit 是一個(gè)相對(duì)獨(dú)立的平臺(tái)，其背后由多個(gè)利益集團(tuán)及個(gè)人控股（康泰納仕集團(tuán)、騰訊等），而不像國(guó)內(nèi)的一些社交平臺(tái)母公司會(huì)擁有豐富的產(chǎn)品生態(tài)以及產(chǎn)業(yè)鏈，無(wú)需顧及自身的生態(tài)組合，語(yǔ)料可以作為合作時(shí)的籌碼進(jìn)行交易。

內(nèi)容模式上，Reddit 通過(guò) subReddit（子論壇）來(lái)組織內(nèi)容，用戶可以創(chuàng)建和加入不同的子論壇，在其中發(fā)帖和評(píng)論。用戶還可以對(duì)帖子和評(píng)論進(jìn)行“點(diǎn)贊”或“點(diǎn)踩”，被點(diǎn)贊的內(nèi)容會(huì)獲得更多的曝光機(jī)會(huì)，而被點(diǎn)踩的內(nèi)容可能會(huì)被折疊或隱藏，形成了較好的語(yǔ)料產(chǎn)出正向循環(huán)，與知乎、豆瓣等類似。

發(fā)展階段上，正如上述所說(shuō)， 創(chuàng)立了二十年的 Reddit 去年才開(kāi)始盈利，收入結(jié)構(gòu)單一，此前主要收入來(lái)源是平臺(tái)廣告，現(xiàn)在（指近兩年的AI大模型時(shí)代）對(duì)于Reddit 來(lái)說(shuō)就是最好的業(yè)務(wù)拓展以求盈利的時(shí)機(jī)。

那么以此為模板來(lái)分析國(guó)內(nèi)具有較多文字語(yǔ)料且業(yè)務(wù)較為獨(dú)立的 UGC 平臺(tái)，B站，小紅書(shū)，微博，豆瓣，知乎，貼吧，在這幾個(gè)平臺(tái)之中，對(duì)比各方面情況，我們可以大致預(yù)測(cè)一下誰(shuí)最有可能在 2025 年成為AI時(shí)代的中國(guó) Reddit。

01、誰(shuí)能賣(mài)語(yǔ)料，誰(shuí)有好語(yǔ)料

籠統(tǒng)來(lái)說(shuō)，所有的大模型訓(xùn)練語(yǔ)料來(lái)源都得是合法且許可的內(nèi)容渠道，如 OpenAI 的語(yǔ)料來(lái)源，包括以下五種：

1、Common Crawl：基于大規(guī)模網(wǎng)頁(yè)抓取形成的數(shù)據(jù)集，由同名的非營(yíng)利機(jī)構(gòu)所有；

2、WebText：由OpenAI構(gòu)建的一個(gè)專注于文檔質(zhì)量的網(wǎng)絡(luò)文本語(yǔ)料庫(kù)，數(shù)據(jù)量為40GB，用于GPT-2、GPT-3等模型的訓(xùn)練；

3、維基百科；

4、書(shū)籍和期刊；

5、社交媒體內(nèi)容，例如 Reddit 等社交媒體平臺(tái)上的內(nèi)容。

不難看出，前四項(xiàng)的語(yǔ)料渠道相比起第五項(xiàng)會(huì)缺乏一些“人味”，社交媒體為 AI 帶來(lái)的語(yǔ)料具有更加落地的經(jīng)驗(yàn)性以及即時(shí)性。自身缺乏“人味”語(yǔ)料庫(kù)的 AI 廠商可能將會(huì)開(kāi)始在各大 UGC 社交軟件之中尋找一些合適的目標(biāo)。

當(dāng)然并不是所有 UGC 社交平臺(tái)的業(yè)務(wù)模式都能賣(mài)語(yǔ)料。如微信生態(tài)內(nèi)的公眾號(hào)，小綠書(shū)等內(nèi)容渠道。從其母公司的角度來(lái)講，微信生態(tài)內(nèi)的語(yǔ)料質(zhì)量甚至?xí)球v訊在 AI 時(shí)代的隱藏殺手锏之一，至于具體怎么用起來(lái)就是后話了，本文不做贅述。

類似情況的當(dāng)然還有抖音的母公司字節(jié)（只是其更多為視頻圖像內(nèi)容），這些以社交平臺(tái)為商業(yè)帝國(guó)根基的大廠，同時(shí)又布局了云計(jì)算，并在AI時(shí)代布局了大模型，都會(huì)將自身平臺(tái)內(nèi)容捏在自己手里。

而其他相對(duì)比較獨(dú)立的 C 端社交平臺(tái)產(chǎn)品，尤其是內(nèi)容以文字類為主的平臺(tái)，都有機(jī)會(huì)在接下來(lái)的AI時(shí)代，像 Reddit 一樣老樹(shù)發(fā)新芽。因此，B站，小紅書(shū)，微博，豆瓣，知乎，貼吧是指的進(jìn)一步研究的平臺(tái)。

理論上來(lái)說(shuō)，只要用戶沒(méi)意見(jiàn)，平臺(tái)就可以處置這些語(yǔ)料，這涉及到平臺(tái)跟用戶的內(nèi)容協(xié)議，關(guān)于用戶協(xié)議后文會(huì)提到，此處按下不表。

這時(shí)候更關(guān)鍵的問(wèn)題是，廠商如何判定誰(shuí)的語(yǔ)料更好更適合自己？

平臺(tái)上用戶自發(fā)的內(nèi)容判定機(jī)制會(huì)成為首要因素，以 Reddit 為例，用戶可以對(duì)帖子和評(píng)論進(jìn)行“點(diǎn)贊”或“點(diǎn)踩”，這形成了較好的語(yǔ)料產(chǎn)出正向循環(huán)。跟現(xiàn)如今用戶使用各大AI軟件時(shí)為生成的內(nèi)容點(diǎn)贊點(diǎn)踩的作用是一樣的，相當(dāng)于AI訓(xùn)練階段的人工“數(shù)據(jù)標(biāo)注”工作。

當(dāng)然，平臺(tái)自身的內(nèi)容判定機(jī)制也很重要，平臺(tái)的“機(jī)審”機(jī)制可以算作是大模型發(fā)展向人類看齊的“超級(jí)對(duì)齊”方式。

還有平臺(tái)用戶畫(huà)像跟AI的適配度，這有時(shí)要根據(jù)廠商業(yè)務(wù)自身需求來(lái)。而在沒(méi)有具體需求時(shí)，用戶畫(huà)像更多元，年齡、性別、地理位置、受教育程度等各個(gè)維度更均衡，粘性更高的平臺(tái)語(yǔ)料更好。

當(dāng)然以上僅為分析模板，關(guān)于B站，小紅書(shū)，微博，豆瓣，知乎等平臺(tái)在以上這三個(gè)方面的表現(xiàn)，需要在此模板上更加細(xì)致的平臺(tái)語(yǔ)料調(diào)研。

而筆者在此處初步猜測(cè)，如果是想要用來(lái)訓(xùn)練一款面向相對(duì)較年輕群體（這部分為消費(fèi)主力軍）的 AGI，那么在這三方面得分率較高的平臺(tái)有B站，小紅書(shū)，微博。因此，這三個(gè)平臺(tái)將進(jìn)入下一輪篩選。

02、誰(shuí)想賣(mài)語(yǔ)料，怎么賣(mài)語(yǔ)料

只不過(guò)在廠商眼里適合的目標(biāo)，卻不一定想賣(mài)。

B站，小紅書(shū)，微博這三者中，最不想賣(mài)的應(yīng)該就是小紅書(shū)。這是因?yàn)椋?strong>小紅書(shū)目前的發(fā)展階段不適合將自身平臺(tái)語(yǔ)料出售。

商業(yè)模式上來(lái)講，小紅書(shū)正處于商業(yè)化探索上升期。此前《新立場(chǎng)》的文章就提過(guò)：小紅書(shū) 2024 年四季度日均搜索量已經(jīng)來(lái)到了 6 億次附近，而前年年中這一指標(biāo)還是 3 億左右。如果結(jié)合此前雙十一過(guò)后小紅書(shū)發(fā)布的戰(zhàn)報(bào)，“成交破千萬(wàn)的商家同比是去年的 5.4 倍”、“單場(chǎng)破千萬(wàn)的買(mǎi)手同比是去年的 3.6 倍”這些信息來(lái)看，小紅書(shū)整個(gè)生態(tài)的增長(zhǎng)是有內(nèi)容和交易雙維度數(shù)據(jù)支撐的。

財(cái)務(wù)狀況上來(lái)講，小紅書(shū)也許并不算太缺錢(qián)。英國(guó)《金融時(shí)報(bào)》曾報(bào)道，小紅書(shū)在 2023 年首次實(shí)現(xiàn)盈利。小紅書(shū)2023年的營(yíng)收達(dá)到37億美元，增長(zhǎng) 85% ；凈利潤(rùn)為 5 億美元。盡管 2024 年年中小紅書(shū)也曾裁員，但從裁員描述來(lái)看，更接近業(yè)務(wù)調(diào)整。

另外，小紅書(shū)目前自己也正在平臺(tái)內(nèi)測(cè)試多個(gè)AI功能。包括但不限于搜索結(jié)果頁(yè)的AI總結(jié)，一些AI內(nèi)容生成玩法等。

從 Reddit 跟 OpenAI 的合作中不難看出，合作算是雙向的， Reddit 為大模型廠商提供語(yǔ)料的同時(shí)，大模型廠商也會(huì)為平臺(tái)提供技術(shù)支持。但小紅書(shū)可能并不想成為其他廠商的語(yǔ)料供應(yīng)商，反而，小紅書(shū)需要的是大模型的供應(yīng)商，偏向于在關(guān)于AI的合作中成為絕對(duì)的甲方。

而從 B 站和微博目前的發(fā)展階段和商業(yè)模式來(lái)看，筆者認(rèn)為都是適合跟大模型廠商達(dá)成 Reddit 模式合作的。

2024年 B 站已經(jīng)與kimi有較為深度的合作，包括 kimi 在 B 站投放廣告，以及 kimi 生成的結(jié)果信源之中包括 B 站。當(dāng)然，僅僅只能考察到 kimi 有將 B 站作為信息生成的信源，暫無(wú)法確認(rèn) kimi 是否有將 B 站的內(nèi)容作為訓(xùn)練數(shù)據(jù)。但是有了這種程度的合作，更進(jìn)一步的合作模式卡點(diǎn)自然會(huì)更少。

就 B 站本身而言，目前商業(yè)模式基本已經(jīng)確定，去年第三季度首次實(shí)現(xiàn)單季度盈利，接下來(lái)有望靠著廣告等業(yè)務(wù)板塊的增長(zhǎng)繼續(xù)盈利。

B 站的內(nèi)容儲(chǔ)備量及質(zhì)量較高，長(zhǎng)視頻內(nèi)容非常適合轉(zhuǎn)化成文字，同時(shí)具有大量的觀點(diǎn)性思考，加之也有粘性較高的社區(qū)氛圍，包括“一鍵三連”在內(nèi)等內(nèi)容判定機(jī)制能夠較好形成優(yōu)質(zhì)內(nèi)容產(chǎn)出循環(huán)。

只不過(guò)，由于將平臺(tái)內(nèi)容用于跟大模型廠商合作之前，最需要先解決的是用戶協(xié)議。更具體來(lái)說(shuō)，對(duì) B 站有平臺(tái)忠誠(chéng)度的用戶是否能接受自己的評(píng)論、視頻、文字等內(nèi)容用于 AI 訓(xùn)練，或如何讓用戶接受，這將是最大的卡點(diǎn)。

而微博跟B站的發(fā)展階段一樣已經(jīng)趨于穩(wěn)定。此前《新立場(chǎng)》文章也提到過(guò)，微博現(xiàn)在做的事，是“提純”這個(gè)平臺(tái)的深度用戶，讓他們的價(jià)值“結(jié)晶”。從用戶數(shù)據(jù)來(lái)看，微博的月活基本穩(wěn)定在 5.8 億上下，環(huán)比波動(dòng)不大。從 2023Q4 到 2024Q2，微博的月活用戶數(shù)分別為 5.98、5.88 和 5.83 億，其用戶定位和使用場(chǎng)景都已經(jīng)足夠清晰，所以在高強(qiáng)度的注意力競(jìng)爭(zhēng)中用戶規(guī)模還能保持相對(duì)穩(wěn)定。

只不過(guò)與 B 站不同的是，微博用戶對(duì)于自己的內(nèi)容被用來(lái)生成 AI 內(nèi)容似乎并不排斥。微博的評(píng)論機(jī)器人“羅伯特”就是一個(gè)很好的例子。

現(xiàn)在微博不同的圈子、用戶評(píng)論區(qū)內(nèi)，羅伯特有不同的發(fā)言風(fēng)格，甚至羅伯特已經(jīng)成為提升微博用戶粘性的手段之一。在促進(jìn)用戶粘性的同時(shí)，還能促進(jìn)整個(gè)平臺(tái)用戶對(duì) AI 的高接受程度，達(dá)成這樣的平衡并不容易。

所以綜上看來(lái)，如果缺乏語(yǔ)料庫(kù)的大模型廠商需要找到一個(gè)活人多的社交平臺(tái)作為語(yǔ)料供應(yīng)商，微博可能會(huì)是一個(gè)不錯(cuò)的選項(xiàng)。

如果不是微博，需要真實(shí)語(yǔ)料庫(kù)的大模型廠商也可以考察有哪個(gè)社交平臺(tái)的用戶心智同時(shí)滿足以上，能夠在用戶心里達(dá)成“我想在你這里說(shuō)真心話”同時(shí)“我不在乎我在你這里說(shuō)的話被拿去喂AI”，或者想要成為語(yǔ)料庫(kù)供應(yīng)商的社交軟件可以向這個(gè)方向靠攏。

而關(guān)于如何賣(mài)語(yǔ)料，正如上述所說(shuō)，做好平臺(tái)和用戶的內(nèi)容協(xié)議是第一步。

03、寫(xiě)在最后

ChatGPT剛爆火時(shí)期，有消息稱其中文回答信源來(lái)自知乎后，知乎的股價(jià)就有所上漲。也許知乎等平臺(tái)也可以納入考慮范圍，但篇幅有限，此處不多贅述。

而語(yǔ)料庫(kù)的用戶認(rèn)知將如何影響大模型的訓(xùn)練，美國(guó)大模型圈有一個(gè)案例可讓我們具體感知。

2023 年初，OpenAI 剛走進(jìn)大眾視野沒(méi)多久就有一個(gè)“丑聞”爆出，OpenAI 原本對(duì)外稱自己有一個(gè) 40 人左右的數(shù)據(jù)標(biāo)注團(tuán)隊(duì)，而消息則稱 OpenAI 在肯尼亞有一家外包公司為其提供數(shù)據(jù)標(biāo)注服務(wù)，以每小時(shí)不到 2 美元的價(jià)格雇傭肯尼亞工人打標(biāo)簽。

現(xiàn)在來(lái)看，大模型廠商使用第三方數(shù)據(jù)標(biāo)注服務(wù)已經(jīng)成為公開(kāi)的事情。只是如果“肯尼亞”這個(gè)信息點(diǎn)是真，這或許意味著在那時(shí)候的大模型圈，像 OpenAI 這樣操作的也不止一家。

2024 年初，谷歌 Gemini 大模型生成圖像避免白人內(nèi)容的事情曾鬧得沸沸揚(yáng)揚(yáng)，似乎跟上述 OpenAI 雇傭肯尼亞的數(shù)據(jù)標(biāo)注外包團(tuán)隊(duì)的事情異曲同工。

不過(guò)有一點(diǎn)毋庸置疑，社交平臺(tái)用戶風(fēng)格是什么樣，其作為語(yǔ)料供應(yīng)商所訓(xùn)練的AI極大可能也會(huì)擁有同樣的“性格”。

可以篤定的是，2025的 AI 訓(xùn)練即將進(jìn)入語(yǔ)料比拼階段。

*題圖及文中配圖來(lái)源于網(wǎng)絡(luò)。