蘋果前員工打造的Intrinsic，要用大型語言模型解決Facebook都做不好的事

社交媒體平臺(tái)上的內(nèi)容都是由用戶制作（UGC），平臺(tái)該不該為這些內(nèi)容負(fù)責(zé)？

不管是仇恨性言論、色情內(nèi)容、假新聞等，盡管平臺(tái)方都強(qiáng)調(diào)通過AI協(xié)助審查，仍有許多漏網(wǎng)之魚或誤刪內(nèi)容的情況發(fā)生。

生成式AI背后的基礎(chǔ)大型語言模型（LLM），有沒有可能是解決方案？

曾在蘋果（Apple）擔(dān)任欺詐工程和算法團(tuán)隊(duì)工程師的Karine Mellata和Michael Lin，在2023年創(chuàng)立Intrinsic正在嘗試這個(gè)可能性，并入選國際知名加速器Y Combinator（YC）。

蘋果前員工Karine Mellata和Michael Lin，解決企業(yè)在內(nèi)容審查上花費(fèi)的時(shí)間和人力成本，創(chuàng)辦Intrinsic。（Source：Intrinsic）

AI成為審查員的救命稻草？

社交媒體大佬Facebook曾在全球雇傭幾萬名內(nèi)容審查員，以人工的方式篩選平臺(tái)貼文內(nèi)容。

但人工審查不僅效率低、成本費(fèi)用高，聘用的審查人員還需要承受巨大的精神壓力，例如經(jīng)常目睹到暴力、血腥或是色情等圖片，而每則貼文也只有幾秒鐘的時(shí)間讓他們決定是否符合發(fā)布規(guī)定。長時(shí)間來說，對(duì)這些審查員而言也是嚴(yán)重的工傷。

直到2017年，F(xiàn)acebook創(chuàng)辦人扎克伯格（Mark Zuckerberg）開始讓AI過濾平臺(tái)內(nèi)容，自動(dòng)查看每則貼文和言論是否違反平臺(tái)規(guī)定。利用AI審查內(nèi)容無疑加快分析速度，但避免不了誤判或是遺漏的情況。

時(shí)至今日，不論是Facebook或是各媒體平臺(tái)的AI分析功能仍不夠全面，例如AI只能偵測(cè)出38%的敏感或是仇恨言論，同時(shí)又不斷有新的違規(guī)發(fā)文出現(xiàn)在平臺(tái)上，AI需要更多詳細(xì)的訓(xùn)練才能做出更精確的判斷。就連Facebook這么大的企業(yè)都難以做到完美了，這題該怎么辦？

Intrinsic運(yùn)用大量參數(shù)優(yōu)勢(shì)解決“語義判讀”問題

Intrinsic認(rèn)為還是得靠AI。雖然他們不是第一個(gè)利用AI做內(nèi)容審查工具的團(tuán)隊(duì)，但可能是第一個(gè)把大型語言模型納入規(guī)劃的團(tuán)隊(duì)。

現(xiàn)在的AI審查大多采用NLP（自然語義處理）的技術(shù)，然而受限于喂給AI的數(shù)據(jù)有限，AI可能會(huì)不認(rèn)得相同語義的關(guān)鍵字，例如“高清”、“4K”、“高畫質(zhì)”，AI可能只會(huì)認(rèn)得“高畫質(zhì)”這個(gè)關(guān)鍵字。

但是大型語言模型可以從數(shù)據(jù)中找出關(guān)聯(lián)和語義，能夠以接近人類語言的邏輯處理言論審查，這也是Intrinsic所看好的。

Intrinsic用LLM審查除了更方便審核虛擬賬號(hào)、暴力言論等違反網(wǎng)絡(luò)安全內(nèi)容之外，也讓企業(yè)依據(jù)需求畫出審查的范圍。例如只要告訴LLM不希望在網(wǎng)站上出現(xiàn)關(guān)于哪一類腥膻色的圖片或是字眼，Intrinsic就會(huì)根據(jù)相同語義的字眼和消息加以審核。

企業(yè)只需將Intrinsic的檢測(cè)系統(tǒng)嵌入自家的內(nèi)容審查系統(tǒng)中，便會(huì)自動(dòng)分析社交媒體平臺(tái)中的正負(fù)面內(nèi)容，或是檢測(cè)每位用戶的真實(shí)性，若檢測(cè)出詐騙或騷擾消息，會(huì)立即通知該企業(yè)的審查團(tuán)隊(duì)調(diào)查該名用戶，利用AI加速內(nèi)容審查流程。

不可忽視AI審查的未來隱憂

目前Intrinsic于今（2024）年籌集310萬美元的資金，主要投資者包括Urban Innovation Fund、Y Combinator和645 Ventures等知名創(chuàng)投。創(chuàng)辦人Karine Mellata表示，計(jì)劃將這筆資金運(yùn)用在繼續(xù)研發(fā)大型語言模型，將審查內(nèi)容擴(kuò)大到視頻和聲音內(nèi)容。

雖然LLM幫助加快內(nèi)容審查的效率，但仍不可忽視AI可能隨之而來的問題。AI無法受到監(jiān)控，因此像是訓(xùn)練AI的共享數(shù)據(jù)，或許也包含許多用戶的個(gè)人資訊，容易造成數(shù)據(jù)外泄的情況發(fā)生，讓AI把持大眾的網(wǎng)絡(luò)言論自由是否真能成為解決方案，仍有待商榷。