来源丨量子位(ID:QbitAI)作者丨杨净题图丨摄图网他本是一位普普通通的高中教师,却活生生养出一个估值40亿美元独角兽。而且方法也是非常的独特——打造了世界最大的免费开源数据集,却从未从中收取过一分钱,也婉拒了各类工作的邀请。
他叫舒曼,在德国汉堡市的高中教物理和计算机科学。两年前他创立了LAION(相当于CLIP图文数据集),如今被用于各种生成模型,包括谷歌Imagen、Parti,以及惊艳全球的Stable Diffusion。就连Stable Diffuision背后公司Stability AI的创始人曾亲自来送钱时,他都表现出嗤之以鼻的样子,认定“这个人一定是疯了”。或许他怎么也没想到,只不过两年前灵机一动,就带来了生成式AI的剧变。受DALL-E启发2021年新年之际,OpenAI重磅推出DALL-E,GPT-3首次成功实现跨界:
只需对着它说上一段话,就能生成对应图片。
一时间风光无两,吴恩达在内的科技大佬们都激动了,网友们都称其为甲方克星。但在德国汉堡市郊区的一间房屋内,这位高中教师舒曼(Christoph Schuhmann)却产生了对数据私有化的担忧:
如果这一切都集中在一家、两家或三家公司,那将对社会产生非常糟糕的影响。
当时,OpenAI发表了背后关键模型CLIP的论文。论文中显示,CLIP在4亿个图像-文本对上进行了预训练,在没有精细调整的情况下,最终在各种多模态基准中实现高性能。
由此可见数据集对于CLIP的重要性,但OpenAI并没有进行公开,它只开源了CLIP的代码和模型权重。(看来从那时候就已经变得Close了)于是乎,舒曼就开始在Discord网罗了一群同为AI爱好者的朋友,尝试复制OpenAI同等水平的「文本-图像对」数据集。没想到这一搞就搞了大半年,直到2021年8月他们首次发布了LAION-400M数据集,里面包含了4.13亿图像-文本对。回顾整个创建过程,舒曼对彭博社这样形容:
就像是用数百万张抽认卡来教一个人一门外语。
他们用一个非盈利组织Common Crawl在2014年到2021年期间,抓取的随机HTML代码来定位网络上的图像,并将这些图像与描述性文本联系起来,最后还得根据一定规则来过滤掉不适合的样本。比如,删除了所有文本长度少于五个字符;图像小于5KB的的样本;关键字带有NSFW的……几周之内,他们就拥有了300万对图文对。数据集发布之后就收到了各种反响,被用于诸多论文和实验。其中最具代表性的,就是Google Brain去年(2022)发布的Imagen——文本生成图像的扩散模型。
与此同时,更多机构开始关注到这个非盈利组织并给予资金支持。2021年他们就收到了HuggingFace的一次性捐赠。但印象最深的一次,还要属一个对冲基金经理来到Discord聊天室。当时他二话不说直接送钱,大概意思是:我给你们支付算力费用,没有任何附加条件。舒曼团队对这个行为嗤之以鼻,甚至觉得他是个疯子:
一开始我们非常怀疑,但大概一个月后,我们获得了价值近1万美元的云计算服务。
后来,这个所谓的“疯子”创办了Stability AI,使用LAION数据集推出了Stable Diffusion,引领了生成式AI的浪潮,顺便还拐走了LAION组织的两个研究人员。如今Stability AI正在寻求40亿美元(折合276亿元)估值,这主要归功于LAION提供的数据。据彭博社消息,舒曼却并没有从LAION中获利,原因很简单:不感兴趣,希望保持这份工作的独立性。因此他还婉拒了各类工作邀请,依旧选择在德国汉堡当一名普普通通的高中老师。本人:数据集不应该被监控即便如此,随着LAION知名度打响,他还是避免不了地卷入到各种纷扰之中。目前,LAION已经发布了10项数据集,最具代表性的就是去年3月发布的LAION-5B,由58.5亿个图像文本组成,是当前最大的免费开源数据集。作为LAION-400M的继任者,它收到了来自HuggingFace、Stability AI以及Doodlebot资助。结果一发布就遭到了不小的争议,网友们纷纷质疑其数据未经整理,导致充斥大量的非法内容,对此LAION工程师Romain Beaumont回应:
非标注数据集是自我监督学习的基础,这是机器学习的未来。没有人工标注的图像/文本是一项功能,而非错误。
早在Imagen发布时,也专门针对LAION-400M做出警示:因为依赖于这种未经整理的网络数据, 集成了大模型的社会偏见和限制,因此不适合公开使用。
据彭博社消息,为了打造LAION,舒曼团队从亚马逊网络服务、Shopify等公司获取视觉数据,还有包括YouTube缩略图、各类新闻网站上的内容。对此舒曼表示,任何在网上免费提供的东西都是公平竞争,欧盟也没有人工智能法规。更何况,也没有人知道OpenAI实际上用什么样的数据集训练AI的。目前,LAION被迫卷入两场诉讼之中,一起是Stability AI与Midjourney等集体诉讼,被指使用艺术家的版权图片来训练他们的模型;另一起是Getty Images起诉Stability AI,称其1200万张照片被LAION取走,并用来训练Stable Diffusion。而舒曼将LAION比作大信息技术海啸之上一艘“小型研究船”,采取海下的样本向世界展示。其实早在构建数据库时,他们就在运行一个自动化过滤工具,不过舒曼感兴趣的不是清理,而是从这些资产中学习。
我们本可以从公布的数据中过滤掉暴力,但我们决定不这样做,因为这将加快暴力检测软件的开发。
现在更多关于监管的建议在推动,各个科技大厂也在采取相应的措施,比如英伟达就开源了护栏工具,来防止大模型来胡说八道。但在舒曼看来,数据集不应该被监控。这也正是当时创建LAION时候的初心。他还警告,如果我们试图放慢速度、过度监管,就会有很大的危险,最终只有少数大公司能负担得起所有的正式要求。前段时间,在LAION与全球志愿者的合力之下,他们完成了ChatGPT最大开源平替OpenAssistant的发布。60万余条训练数据全部由人工生成,涵盖了广泛的话题和语言风格,一时间引发众人关注,HuggingFace也直接拿来用来构建它自己的聊天软件HuggingChat。拿着德国铁饭碗不可否认的是,他已经在用开源数据集,加剧了生成式AI的浪潮。但在舒曼的个人网站上,看到的只是一位两个孩子的父亲,在德国当着终身制公务员,游走于中学校之间讲授物理和计算机科学。
舒曼拥有维也纳大学计算机科学与物理学学位。在学习这两个专业之前,他还学了心理学。(大概完成了50%的学士学位然后就转专业了)。除此之外,他还在学习表演,制作了一部关于孩子学习的纪录片「Schools of Trust」。最近,这位高中教师也没闲着,他还将作为2023年智源大会嘉宾参与邀请报告与线上论坛环节。参考链接:[1]https://laion.ai/blog/laion-400-open-dataset/[2]https://www.bloomberg.com/news/features/2023-04-24/a-high-school-teacher-s-free-image-database-powers-ai-unicorns[3]http://christoph-schuhmann.de/[4]https://www.infoq.com/news/2022/05/laion-5b-image-text-dataset/[5]https://laion.ai/projects/
找靠谱商机,关注创业邦视频号!

Leave a Reply

Your email address will not be published. Required fields are marked *