人工智能训练数据价格不菲，最适合财大气粗的科技公司使用。 这也是哈佛大学计划发布一个公开数据集的原因，该数据集包含约 100 万本公共领域的书籍，涵盖各种类型、语言和作者，其中包括狄更斯、但丁和莎士比亚，这些书籍由于年代久远已不再受版权保护。

新数据集尚未发布，也不清楚何时或如何发布，它所包含的书籍来自Google的长期书籍扫描项目Google Books，因此Google将参与发布"这个宝库的广泛应用"。

哈佛大学早在 3 月份就首次预告了机构数据倡议（IDI），概述了其创建"人工智能法律数据可信渠道"的计划。 然而，直到今天正式启动之前，该计划一直鲜有消息，IDI 得到了微软和 OpenAI 的资金支持。

IDI 的执行董事Greg Leppert表示，该数据集旨在"公平竞争"，向希望训练大型语言模型 (LLM) 的任何人（从研究实验室到 AI 初创公司）开放如此庞大的数据集。