高中教師養出40億美元超級獨角獸Stable Diffusion背後數據集創建者

他本是一位普普通通的高中教師,卻活生生養出一個估值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據集,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。

兩年前他創立了LAION(相當於CLIP圖文數據集),如今被用於各種生成模型,包括谷歌Imagen、Parti,以及驚艷全球的Stable Diffusion。

就連Stable Diffuision背後公司Stability AI的創始人曾親自來送錢時,他都表現出嗤之以鼻的樣子,認定“這個人一定是瘋了”。

或許他怎麼也沒想到,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

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

只需對著它說上一段話,就能生成對應圖片。

一時間風光無兩,吳恩達在內的科技大佬們都激動了,網友們都稱其為甲方剋星。

但在德國漢堡市郊區的一間房屋內,這位高中教師舒曼(Christoph Schuhmann)卻產生了對數據私有化的擔憂:

如果這一切都集中在一家、兩家或三家公司,那將對社會產生非常糟糕的影響。

當時,OpenAI發表了背後關鍵模型CLIP的論文。論文中顯示,CLIP在4億個圖像-文本對上進行了預訓練,在沒有精細調整的情況下,最終在各種多模態基準中實現高性能。

由此可見數據集對於CLIP的重要性,但OpenAI並沒有進行公開,它只開源了CLIP的代碼和模型權重。

(看來從那時候就已經變得Close了)

於是乎,舒曼就開始在Discord網羅了一群同為AI愛好者的朋友,嘗試複製OpenAI同等水平的「文本-圖像對」數據集。

沒想到這一搞就搞了大半年,直到2021年8月他們首次發布了LAION-400M數據集,裡麵包含了4.13億圖像-文本對。

回顧整個創建過程,舒曼對彭博社這樣形容:

就像是用數百萬張抽認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代碼來定位網絡上的圖像,並將這些圖像與描述性文本聯繫起來,最後還得根據一定規則來過濾掉不適合的樣本。

比如,刪除了所有文本長度少於五個字符;圖像小於5KB的的樣本;關鍵字帶有NSFW的……幾週之內,他們就擁有了300萬對圖文對。

數據集發布之後就收到了各種反響,被用於諸多論文和實驗。其中最具代表性的,就是Google Brain去年(2022)發布的Imagen——文本生成圖像的擴散模型。

與此同時,更多機構開始關注到這個非盈利組織並給予資金支持。 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理來到Discord聊天室。

當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,但大概一個月後,我們獲得了價值近1萬美元的雲計算服務。

後來,這個所謂的“瘋子”創辦了Stability AI,使用LAION數據集推出了Stable Diffusion,引領了生成式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,這主要歸功於LAION提供的數據。

據彭博社消息,舒曼卻並沒有從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一名普普通通的高中老師。

本人:數據集不應該被監控

即便如此,隨著LAION知名度打響,他還是避免不了地捲入到各種紛擾之中。

目前,LAION已經發布了10項數據集,最具代表性的就是去年3月發布的LAION-5B,由58.5億個圖像文本組成,是當前最大的免費開源數據集。

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

結果一發布就遭到了不小的爭議,網友們紛紛質疑其數據未經整理,導致充斥大量的非法內容,對此LAION工程師Romain Beaumont回應:

非標註數據集是自我監督學習的基礎,這是機器學習的未來。沒有人工標註的圖像/文本是一項功能,而非錯誤。

早在Imagen發佈時,也專門針對LAION-400M做出警示:因為依賴於這種未經整理的網絡數據, 集成了大模型的社會偏見和限制,因此不適合公開使用。

據彭博社消息,為了打造LAION,舒曼團隊從亞馬遜網絡服務、Shopify等公司獲取視覺數據,還有包括YouTube縮略圖、各類新聞網站上的內容。

對此舒曼表示,任何在網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。

更何況,也沒有人知道OpenAI實際上用什麼樣的數據集訓練AI的。

目前,LAION被迫捲入兩場訴訟之中,一起是Stability AI與Midjourney等集體訴訟,被指使用藝術家的版權圖片來訓練他們的模型;

另一起是Getty Images起訴Stability AI,稱其1200萬張照片被LAION取走,並用來訓練Stable Diffusion。

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

其實早在構建數據庫時,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,而是從這些資產中學習。

我們本可以從公佈的數據中過濾掉暴力,但我們決定不這樣做,因為這將加快暴力檢測軟件的開發。

現在更多關於監管的建議在推動,各個科技大廠也在採取相應的措施,比如英偉達就開源了護欄工具,來防止大模型來胡說八道。

但在舒曼看來,數據集不應該被監控。這也正是當時創建LAION時候的初心。

他還警告,如果我們試圖放慢速度、過度監管,就會有很大的危險,最終只有少數大公司能負擔得起所有的正式要求。

前段時間,在LAION與全球志願者的合力之下,他們完成了ChatGPT最大開源平替OpenAssistant的發布。

60萬餘條訓練數據全部由人工生成,涵蓋了廣泛的話題和語言風格,一時間引發眾人關注,HuggingFace也直接拿來用來構建它自己的聊天軟件HuggingChat。

拿著德國鐵飯碗

不可否認的是,他已經在用開源數據集,加劇了生成式AI的浪潮。

但在舒曼的個人網站上,看到的只是一位兩個孩子的父親,在德國當著終身製公務員,遊走於中學校之間講授物理和計算機科學。

舒曼擁有維也納大學計算機科學與物理學學位。在學習這兩個專業之前,他還學了心理學。 (大概完成了50%的學士學位然後就轉專業了)。

除此之外,他還在學習表演,製作了一部關於孩子學習的紀錄片「Schools of Trust」。

最近,這位高中教師也沒閒著,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節。

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/

來源:元宇宙之心

Total
0
Shares
Related Posts