到2028年網際網路上所有高品質的文本數據都將被使用完畢，以及AI廠商正陷入數據荒的說法，無疑是近期AI行業的熱點話題。如何獲得更多的數據與獲得更多算力，更是並列為當下AI廠商最為頭疼的問題。對此，谷歌前CEO埃里克・施密特在8月14日在史丹佛大學進行的演講中語出驚人，他表示AI創業公司可以先通過AI工具盜取知識產權，然後再僱用律師來處理法律糾紛。
埃里克・施密特以一直深陷風波的TikTok為例，"如果TikTok被禁，我建議你們每個人都做一個TikTok的副本，偷走所有的用戶、偷走所有的音樂，把偏好放進去，在接下來的30秒內製作這個程序、發布它"。緊接著他還進一步解釋到，"如果你是一位矽谷企業家，你會做的是如果產品起飛了，那麼就僱用一大群律師去收拾殘局，但如果沒有人使用你的產品，即便你竊取了所有的內容也沒關係。"
不得不說，作為谷歌的前任CEO，埃里克・施密特開出的這個藥方確實頗具"矽谷精神"。要知道就在數週前，《經濟學人》雜誌在一篇題為《AI 公司很快將耗盡大部分網際網路數據》的文章中就指出到，2028年網際網路上所有高品質的文本數據都將被使用完畢，機器學習數據集可能會在2026年前耗盡所有"高品質語言數據"。
合成數據此前被業界認為是一個有效的解決方案，既然人類產出的數據跟不上AI大模型迭代的需要，不如直接使用AI生成的數據。可是一篇7月末發表在《Nature》上的論文證實，使用AI生成的數據集來訓練大模型會污染它們的輸出，並無法避免"模型崩潰"（model collapse）問題。這篇論文一出，AI廠商對於使用合成數據必然會更加的謹慎。
只是Common Crawl數據集、The Pile語料庫等開源數據庫，已經哺育了GPT-4 、Gemini等一眾知名或不知名的大模型。現在的情況，是免費、開源，且品質有保障的數據庫已經被開發殆盡，而需要付費的數據則隨處可及，比如X、Reddit，以及各新聞媒體顯然都非常樂於出售自家的數據。
就在埃里克・施密特建議AI初創企業去偷數據的同一時間，《Nature》再度曝出一個大瓜，那就是以Taylor&Francis、Wiley為代表的一大批學術出版商，已經向微軟等廠商提供了付費訪問自家論文的機會，以便後者使用相關科研論文來訓練大模型。可問題是，恨不得一分錢掰成兩半花的AI初創企業，往往不願意為數據付費。
對於一家AI初創企業來說，運營成本無外乎算力、人力，以及數據。在AGI沒有真正實現之前，僱用AI科學家、程序員來訓練AI是必不可少的工作，找英偉達購買計算卡也屬於硬性支出，畢竟AI初創企業不可能去台積電的工廠裡偷走晶片。事實上，埃里克・施密特口中AI初創企業可以先偷數據、再用律師解決問題，恰恰證明了他確實是谷歌成長為科技巨頭的重要推手，是一個合格的矽谷人。
在矽谷有一句經典的格言，"Fake it until you make it"，翻譯過來就是"假模假樣，直到像模像樣"。從上世紀喬布斯創立蘋果、到祖克柏打造出社交網絡，再到馬斯克締造特斯拉，一代又一代的矽谷人都是在這條格言的引領下闖出了偌大的事業。
先吹噓自己的想法、向投資人賣出一個好故事，吸引到資本和人才後再努力追趕目標，並最終實現，就是矽谷創業者們的秘笈，誇大未來、掩蓋失敗、捏造數據、忽視常識在矽谷可謂是司空見慣，比如此前被喬布斯掛在嘴邊的"海盜精神"，不就是關注目標、不擇手段、打破常規，甚至可以將道德扔一邊。
當下，AI創業者最大的難題就是求生存。隨著AI投資熱的退潮以及AI泡沫論的興起，投資者對於AI初創企業的態度不僅不再狂熱，反而變得愈發審慎，也使得他們想要獲得融資的難度變得越來越大。在這樣的情況下，只有能拿出性能更好大模型的初創企業，才能獲得維持存續的資金。
如果不打破常規，繼續按部就班的結果，就是被敢於不走尋常路的競爭對手超越。所以埃里克・施密特的話對於AI初創企業來說就是"金玉良言"，如果產品失敗、企業本身自然就要關門大吉，也就不會有人來尋求侵權賠償；可一旦一飛沖天，手裡有了錢的企業也能用"訴辯交易"來解決問題。
事實上，在埃里克・施密特說出這番驚人之語前，就已經有不少AI初創企業在踐行"偷竊"數據的做法了。"亂世"早已到來，只不過作為矽谷大佬的埃里克・施密特現在公開承認了這個現實而已。畢竟對數據有著無盡渴求的AI初創企業用技術手段攻破數據擁有者的防禦，後者紛紛築起"塢堡"幾乎就是不可避免的未來。