類似ChatGPT的人工智能大模型每日都引起新話題，最新引起關注的是訓練這些大模型的海量數據，大部份是互聯網上取得的，一方面這些數據可能涉及大量偏見、歧視、有害，以及侵犯名譽和隱私的內容，一方面亦觸及知識產權問題。

《華盛頓郵報》發表了與艾倫人工智能研究院合作進行的調查，他們拆解了Google的C4數據集，研究資料來自哪些網站。C4是許多知名英語AI大模型的訓練材料，包括Google的T5和Facebook的LLaMA，由於數據集中有三分之一的網站已經不存在，所以實際統計的數據大約為1000萬個網站。

結果顯示，提供數據頭三位的，是囊括全球專利信息的Google專利網、維基百科和訂閱制數字圖書館scribd。但之後出現意外的名字，包括被美國司法部查封的盜版電子書網站b-ok.org，位列190，以及其他至少二十多個因為侵犯版權被美國查封的網站。

另外，《魔獸世界》玩家論壇wowhead高居第181位，《赫芬頓郵報》創辦人阿里安娜·赫芬頓創立的行為轉變課程網站thriveglobal位居175位。創意產品眾籌網站kickstarter位列25，令人質疑AI向用戶提供的創意和市場營銷方案，很有可能本身就是現成的產品。超過50萬的個人博客亦收錄到C4訓練集中，作者顯然無得到任何報酬。

每日產生大量經審校內容的媒體，都是訓練集的最愛，紐約時報、洛杉磯時報、衛報、福布斯和赫芬頓郵報，都高居數據庫的頭10位。由於美國媒體的特性，所以訓練集中也能找到以極右翼、白人至上主義內容為主的網站，當中找到至少7.2萬個納粹的標誌性符號。

而社交網站Twitter的行政總裁馬斯克，就威脅控告微軟，指微軟非法使用Twitter的數據來訓練人工智能大模型。之前有報道指微軟會將Twitter移除出旗下的廣告營運平台。

微軟去年對開發ChatGPT的OpenAI投資100億美元，本身亦有開發自己的大型語言模型。利用社交網站數據訓練大模型十分重要，原因是當中包括一些非正式和互動的對話。但當這些人工智能模型由實驗室走進商業世界，數據的擁有人就提出知識產權的要求。

社交網站Reddit表示，會向利用Reddit內容訓練AI的軟件收費；環球音樂集團亦都指利用人工智能合成或模仿歌曲或藝人，是違反版權法例，以及集團和藝人間的合約。照片庫Getty Images亦都控告利用人工智能合成圖像的公司Stable Diffusion，指他們抄襲內容，訓練旗下的圖像生成模型。