文章主题：自然语言处理, 人工智能, 数据集, 生成式AI
编者按：本文来自微信公众号 量子位（ID：QbitAI），作者：杨净，创业邦经授权转载
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。
两年之前，他凭借着对人工智能的热爱与独到见解，成功创立了名为LAION的数据集。这个类似于CLIP图文数据集的项目，经过他的精心打磨，如今已经在各种生成模型中发挥了重要作用，其中包括谷歌的Imagen、Parti，甚至还有让人惊艳全球的Stable Diffusion。
Stability AI的创始人亲自前来送钱时,他表现得毫不感兴趣,甚至认为这个人一定是疯了。
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。
在德国汉堡市郊区的某个住宅中，一位名叫克里斯托弗·舒曼（Christoph Schuhmann）的高中生教师，对数据隐私保护问题产生了关注和担忧。
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。
在某个时期，OpenAI公布了一篇关于其核心模型CLIP的研究论文。根据论文描述，CLIP在处理超过4亿个图像与文本配对的过程中完成了预训练，并在未经精细调整的前提下，成功地在多种多模态基准测试中展现出了卓越的表现。
原内容强调了数据集对于CLIP模型的重要性，然而，OpenAI方面并未公开这一信息，仅分享了CLIP的代码和模型权重。这使得数据集的作用在CLIP模型的构建和优化过程中被忽视，从而影响了模型的性能和效果。
（看来从那时候就已经变得Close了）
因此，舒曼开始在Discord上寻找志同道合的伙伴，试图建立一个与OpenAI齐名的「文本-图像对」数据集。
我没有预料到这个项目竟然花了半年的时间才完成，直到2021年的8月份，他们才首次公开了包含4.13亿图像与文本配对的LAION-400M数据集。
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。
在2014年至2021年期间，一支专业团队利用非盈利组织Common Crawl，采用一种独特的方法来捕捉互联网上的图片。他们的策略是通过抓取随机生成的HTML代码，从而定位到相关的图像。接下来，他们将这些图像与相应的描述性文本相结合，形成一个完整的数据集。在这个过程中，团队还遵循一定的筛选标准，以确保所收集的样本符合特定要求。这种方法为研究图像识别和描述生成领域提供了丰富的素材，同时也展示了人工智能技术在处理大规模图像任务中的巨大潜力。
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」。
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/
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系
自然语言处理, 人工智能, 数据集, 生成式AI
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
