高中教師養(yǎng)出40億美元超級獨角獸，Stable Diffusion背后數(shù)據(jù)集創(chuàng)建者，還發(fā)布ChatGPT最大平替

十三 2023-04-30 12:13:38 來源：量子位

楊凈 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

他本是一位普普通通的高中教師，卻活生生養(yǎng)出一個估值40億美元獨角獸。

而且方法也是非常的獨特——

打造了世界最大的免費開源數(shù)據(jù)集，卻從未從中收取過一分錢，也婉拒了各類工作的邀請。

他叫舒曼，在德國漢堡市的高中教物理和計算機科學(xué)。

兩年前他創(chuàng)立了LAION（相當(dāng)于CLIP圖文數(shù)據(jù)集），如今被用于各種生成模型，包括谷歌Imagen、Parti，以及驚艷全球的Stable Diffusion。

就連Stable Diffuision背后公司Stability AI的創(chuàng)始人曾親自來送錢時，他都表現(xiàn)出嗤之以鼻的樣子，認(rèn)定“這個人一定是瘋了”。

或許他怎么也沒想到，只不過兩年前靈機一動，就帶來了生成式AI的劇變。

受DALL-E啟發(fā)

2021年新年之際，OpenAI重磅推出DALL-E，GPT-3首次成功實現(xiàn)跨界：

只需對著它說上一段話，就能生成對應(yīng)圖片。

一時間風(fēng)光無兩，吳恩達(dá)在內(nèi)的科技大佬們都激動了，網(wǎng)友們都稱其為甲方克星。

但在德國漢堡市郊區(qū)的一間房屋內(nèi)，這位高中教師舒曼（Christoph Schuhmann）卻產(chǎn)生了對數(shù)據(jù)私有化的擔(dān)憂：

如果這一切都集中在一家、兩家或三家公司，那將對社會產(chǎn)生非常糟糕的影響。

當(dāng)時，OpenAI發(fā)表了背后關(guān)鍵模型CLIP的論文。論文中顯示，CLIP在4億個圖像-文本對上進(jìn)行了預(yù)訓(xùn)練，在沒有精細(xì)調(diào)整的情況下，最終在各種多模態(tài)基準(zhǔn)中實現(xiàn)高性能。

由此可見數(shù)據(jù)集對于CLIP的重要性，但OpenAI并沒有進(jìn)行公開，它只開源了CLIP的代碼和模型權(quán)重。

（看來從那時候就已經(jīng)變得Close了）

于是乎，舒曼就開始在Discord網(wǎng)羅了一群同為AI愛好者的朋友，嘗試復(fù)制OpenAI同等水平的「文本-圖像對」數(shù)據(jù)集。

沒想到這一搞就搞了大半年，直到2021年8月他們首次發(fā)布了LAION-400M數(shù)據(jù)集，里面包含了4.13億圖像-文本對。

回顧整個創(chuàng)建過程，舒曼對彭博社這樣形容：

就像是用數(shù)百萬張抽認(rèn)卡來教一個人一門外語。

他們用一個非盈利組織Common Crawl在2014年到2021年期間，抓取的隨機HTML代碼來定位網(wǎng)絡(luò)上的圖像，并將這些圖像與描述性文本聯(lián)系起來，最后還得根據(jù)一定規(guī)則來過濾掉不適合的樣本。

比如，刪除了所有文本長度少于五個字符；圖像小于5KB的的樣本；關(guān)鍵字帶有NSFW的……幾周之內(nèi)，他們就擁有了300萬對圖文對。

數(shù)據(jù)集發(fā)布之后就收到了各種反響，被用于諸多論文和實驗。其中最具代表性的，就是Google Brain去年（2022）發(fā)布的Imagen——文本生成圖像的擴散模型。

與此同時，更多機構(gòu)開始關(guān)注到這個非盈利組織并給予資金支持。2021年他們就收到了HuggingFace的一次性捐贈。

但印象最深的一次，還要屬一個對沖基金經(jīng)理來到Discord聊天室。

當(dāng)時他二話不說直接送錢，大概意思是：我給你們支付算力費用，沒有任何附加條件。

舒曼團隊對這個行為嗤之以鼻，甚至覺得他是個瘋子：

一開始我們非常懷疑，但大概一個月后，我們獲得了價值近1萬美元的云計算服務(wù)。

后來，這個所謂的“瘋子”創(chuàng)辦了Stability AI，使用LAION數(shù)據(jù)集推出了Stable Diffusion，引領(lǐng)了生成式AI的浪潮，順便還拐走了LAION組織的兩個研究人員。

如今Stability AI正在尋求40億美元（折合276億元）估值，這主要歸功于LAION提供的數(shù)據(jù)。

據(jù)彭博社消息，舒曼卻并沒有從LAION中獲利，原因很簡單：不感興趣，希望保持這份工作的獨立性。

因此他還婉拒了各類工作邀請，依舊選擇在德國漢堡當(dāng)一名普普通通的高中老師。

本人：數(shù)據(jù)集不應(yīng)該被監(jiān)控

即便如此，隨著LAION知名度打響，他還是避免不了地卷入到各種紛擾之中。

目前，LAION已經(jīng)發(fā)布了10項數(shù)據(jù)集，最具代表性的就是去年3月發(fā)布的LAION-5B，由58.5億個圖像文本組成，是當(dāng)前最大的免費開源數(shù)據(jù)集。

作為LAION-400M的繼任者，它收到了來自HuggingFace、Stability AI以及Doodlebot資助。

結(jié)果一發(fā)布就遭到了不小的爭議，網(wǎng)友們紛紛質(zhì)疑其數(shù)據(jù)未經(jīng)整理，導(dǎo)致充斥大量的非法內(nèi)容，對此LAION工程師Romain Beaumont回應(yīng)：

非標(biāo)注數(shù)據(jù)集是自我監(jiān)督學(xué)習(xí)的基礎(chǔ)，這是機器學(xué)習(xí)的未來。沒有人工標(biāo)注的圖像/文本是一項功能，而非錯誤。

早在Imagen發(fā)布時，也專門針對LAION-400M做出警示：因為依賴于這種未經(jīng)整理的網(wǎng)絡(luò)數(shù)據(jù)， 集成了大模型的社會偏見和限制，因此不適合公開使用。

據(jù)彭博社消息，為了打造LAION，舒曼團隊從亞馬遜網(wǎng)絡(luò)服務(wù)、Shopify等公司獲取視覺數(shù)據(jù)，還有包括YouTube縮略圖、各類新聞網(wǎng)站上的內(nèi)容。

對此舒曼表示，任何在網(wǎng)上免費提供的東西都是公平競爭，歐盟也沒有人工智能法規(guī)。

更何況，也沒有人知道OpenAI實際上用什么樣的數(shù)據(jù)集訓(xùn)練AI的。

目前，LAION被迫卷入兩場訴訟之中，一起是Stability AI與Midjourney等集體訴訟，被指使用藝術(shù)家的版權(quán)圖片來訓(xùn)練他們的模型；

另一起是Getty Images起訴Stability AI，稱其1200萬張照片被LAION取走，并用來訓(xùn)練Stable Diffusion。

而舒曼將LAION比作大信息技術(shù)海嘯之上一艘“小型研究船”，采取海下的樣本向世界展示。

其實早在構(gòu)建數(shù)據(jù)庫時，他們就在運行一個自動化過濾工具，不過舒曼感興趣的不是清理，而是從這些資產(chǎn)中學(xué)習(xí)。

我們本可以從公布的數(shù)據(jù)中過濾掉暴力，但我們決定不這樣做，因為這將加快暴力檢測軟件的開發(fā)。

現(xiàn)在更多關(guān)于監(jiān)管的建議在推動，各個科技大廠也在采取相應(yīng)的措施，比如英偉達(dá)就開源了護欄工具，來防止大模型來胡說八道。

但在舒曼看來，數(shù)據(jù)集不應(yīng)該被監(jiān)控。這也正是當(dāng)時創(chuàng)建LAION時候的初心。

他還警告，如果我們試圖放慢速度、過度監(jiān)管，就會有很大的危險，最終只有少數(shù)大公司能負(fù)擔(dān)得起所有的正式要求。

前段時間，在LAION與全球志愿者的合力之下，他們完成了ChatGPT最大開源平替OpenAssistant的發(fā)布。

60萬余條訓(xùn)練數(shù)據(jù)全部由人工生成，涵蓋了廣泛的話題和語言風(fēng)格，一時間引發(fā)眾人關(guān)注，HuggingFace也直接拿來用來構(gòu)建它自己的聊天軟件HuggingChat。

拿著德國鐵飯碗

不可否認(rèn)的是，他已經(jīng)在用開源數(shù)據(jù)集，加劇了生成式AI的浪潮。

但在舒曼的個人網(wǎng)站上，看到的只是一位兩個孩子的父親，在德國當(dāng)著終身制公務(wù)員，游走于中學(xué)校之間講授物理和計算機科學(xué)。

舒曼擁有維也納大學(xué)計算機科學(xué)與物理學(xué)學(xué)位。在學(xué)習(xí)這兩個專業(yè)之前，他還學(xué)了心理學(xué)。（大概完成了50%的學(xué)士學(xué)位然后就轉(zhuǎn)專業(yè)了）。

除此之外，他還在學(xué)習(xí)表演，制作了一部關(guān)于孩子學(xué)習(xí)的紀(jì)錄片「Schools of Trust」。

最近，這位高中教師也沒閑著，他還將作為2023年智源大會嘉賓參與邀請報告與線上論壇環(huán)節(jié)。

參考鏈接：
[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/