😭 Microsoft тренировала MAI на нелицензированных веб-данных, обещая «чистые» коммерческие источники

Согласно техническому докладу Microsoft, новые модели MAI частично обучались на данных из Common Crawl и других открытых источников. Ранее компания заявляла, что MAI используют только «корпоративные, чистые и коммерчески лицензированные данные».

В документе Microsoft описывает свой датасет как «смесь общедоступных и лицензированных человеком данных». Для сбора веб-данных используется собственный краулер, который соблюдает Robots Exclusion Protocol. Это перекладывает ответственность за защиту контента на владельцев сайтов — по логике компании, если сайт не заблокирован, его данные можно использовать.

Хотя Microsoft, как и другие AI-компании, ссылается на доктрину добросовестного использования (fair use), её статус остаётся спорным — суды США ещё не вынесли окончательного решения. Таким образом, обещание «особо чистых» данных для обучения MAI оказалось маркетинговым преувеличением: на практике Microsoft использует те же методы, что и конкуренты.

#AI #Microsoft #Agents #LLM #MAI