高中教師養出40億美元超級獨角獸 Stable Diffusion背后數據集創建者_LAI:jubilation詞根

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，如今被用于各種生成模型，包括谷歌Imagen、Parti，以及驚艷全球的StableDiffusion。

就連StableDiffuision背后公司StabilityAI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

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

FTX前律師事務所被指控成立影子實體挪用FTX客戶資金:金色財經報道，一群FTX客戶向加州地方法院提交的一份文件稱，FTX的前律師事務所Fenwick & West LLP設立了多個“影子實體”，允許FTX聯合創始SBF和其他高管采取創造性但非法的策略來延續欺詐行為。

該訴訟稱，該律師事務所向 FTX 提供的服務“遠遠超出了律師事務所應提供且通常確實提供的服務”，例如以規避監管審查的方式安排 FTX US 的收購結構，以及提供員工執行律師事務所提出的戰略。

這些“影子實體”被命名為North Dimension 和 North Wireless Dimension，訴訟稱它們挪用了 FTX 客戶資金。[2023/8/9 21:34:08]

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克星。

但在德國漢堡市郊區的一間房屋內，這位高中教師舒曼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。

韓國檢方對WeMade及WEMIX Token做市商展開全面強制調查:6月30日消息，今日上午，韓國檢方已對該國上市游戲公司WeMade及其WEMIX Token做市商展開全面強制調查，包括扣押和搜查。此次搜查和扣押系針對WEMIX投資者于5月12日向檢方提起的投訴，該公司被控欺詐、貪污等罪名。

報道稱，自2021年以來，WeMade引發了多次爭議。包括2020年11月至2022年1月，WeMade在未通知WEMIX用戶的情況下清算了價值2255億韓元的WEMIX，并用這筆資金收購了一家公司，引發巨大爭議。此外，2022年底，WEMIX發行量涉嫌虛假披露，并與該國交易平臺發生法律糾紛，WEMIX最終被韓國幾家主要加密交易平臺下架。[2023/6/30 22:10:21]

當時，OpenAI發表了背后關鍵模型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。

數據：ETH波段交易巨鯨于今日凌晨1:30買入8800枚ETH:6月6日消息，據鏈上數據分析師余燼監測，昨晚市場下跌后，其監測的某個 ETH 波段交易巨鯨地址于今日凌晨 1:30 將 1590 萬 USDT 轉入 Binance 平臺，半小時后從 Binance 提幣 8800 枚 ETH，買入均價可能為 1807 美元。

據悉，該地址此前于 5 月 29 日 ETH 上漲后將 23,085 枚 ETH（價值約合 4416 萬美元）轉入 Binance，當時 ETH 價格為 1913 美元。[2023/6/6 21:18:15]

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

于是乎，舒曼就開始在Discord網羅了一群同為AI愛好者的朋友，嘗試復制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，里面包含了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：

歐洲央行：數字歐元應優先考慮在線、點對點支付:金色財經報道，歐洲央行在網站上公布的文件稱，數字歐元應該優先考慮網上購物和在朋友之間進行支付。商店和政府的轉賬可能需要更長的時間才能發展，但基本的個人使用應該是免費的。其他用途，如納稅、領取福利金，甚至在實體店支付，只會在隨后的中央銀行數字貨幣 (CBDC) 的第二階段開發中出現。[2023/2/24 12:27:28]

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CommonCrawl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，并將這些圖像與描述性文本聯系起來，最后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于五個字符；圖像小于5KB的的樣本；關鍵字帶有NSFW的……幾周之內，他們就擁有了300萬對圖文對。

數據集發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GoogleBrain去年發布的Imagen——文本生成圖像的擴散模型。

Pantera Capital CEO：比特幣的下一個牛市即將到來:金色財經報道，Pantera Capital首席執行官Dan Morehead認為，加密貨幣的寒冬將很快結束，比特幣價格將再次上漲。他提醒說，這樣的起伏是正常的，在過去十年中已經發生過多次，包括2018年的下跌和未來幾年的連續牛市。我們已經經歷了三個大熊市周期。實際上，我認為我們已經在6月份觸底，我們正在進入下一輪牛市。這可能會有困難，可能需要一段時間，但我認為我們進入了反彈的下一階段。在談到比特幣的未來價格時，Morehead預測，比特幣的價格將繼續以每年約2.5倍的速度上漲。盡管如此，他聲稱加密領域最近已經發生了變化，不再只圍繞比特幣和以太坊流通。（cryptopotato）[2022/9/8 13:16:38]

與此同時，更多機構開始關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，但大概一個月后，我們獲得了價值近1萬美元的云計算服務。

后來，這個所謂的“瘋子”創辦了StabilityAI，使用LAION數據集推出了StableDiffusion，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StabilityAI正在尋求40億美元估值，這主要歸功于LAION提供的數據。

據彭博社消息，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，他還是避免不了地卷入到各種紛擾之中。

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、StabilityAI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RomainBeaumont回應：

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

早在Imagen發布時，也專門針對LAION-400M做出警示：因為依賴于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實際上用什么樣的數據集訓練AI的。

目前，LAION被迫卷入兩場訴訟之中，一起是StabilityAI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GettyImages起訴StabilityAI，稱其1200萬張照片被LAION取走，并用來訓練StableDiffusion。

而舒曼將LAION比作大信息技術海嘯之上一艘“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。

我們本可以從公布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。

現在更多關于監管的建議在推動，各個科技大廠也在采取相應的措施，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與全球志愿者的合力之下，他們完成了ChatGPT最大開源平替OpenAssistant的發布。

60萬余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，在德國當著終身制公務員，游走于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。。

除此之外，他還在學習表演，制作了一部關于孩子學習的紀錄片「SchoolsofTrust」。

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節。

參考鏈接：https://laion.ai/blog/laion-400-open-dataset/https://www.bloomberg.com/news/features/2023-04-24/a-high-school-teacher-s-free-image-database-powers-ai-unicornshttp://christoph-schuhmann.de/https://www.infoq.com/news/2022/05/laion-5b-image-text-dataset/https://laion.ai/projects/

來源：元宇宙之心

Tags：IONLAIAIOAIONjubilation詞根MPLAIAIOTCaion幣下架

波場