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，如今被用于各种生成模型，包括谷歌Imagen、Parti，以及惊艳全球的StableDiffusion。
就连StableDiffuision背后公司StabilityAI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：
LINA未平仓合约总额已达1.8亿美元，超过其市值:金色财经报道，据Coinglass数据显示，LINA未平仓合约总额已达1.8亿美元，超过其1.4亿美元的市值。[2023/6/2 11:54:37]
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。
年初至今浮盈的长期比特币持有者转账量增长近2000%至4.89亿美元:5月28日消息，Glassnode数据显示，今年有利可图的长期比特币持有者转账量（Transfer Volume）急剧增加，增长近2000%。这些目前处于浮盈状态的持有者的转账金额已从年初的2500万美元急剧增加到目前的4.89亿美元。
尽管这一数字出现了大幅增长，但仍较2021年牛市期间17.4亿美元的峰值低了71.4%。其中，持有比特币6至12个月的投资者似乎是最活跃的群体，他们的交易量是持有比特币至少一年的所有其他长期持有者的三倍。[2023/5/28 9:47:18]
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CommonCrawl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。
以太坊核心开发者会议：2月初为上海升级启动公测网，3月启动主网升级:1月8日消息，以太坊开发人员在1月5日召开2023年首次全核心开发人员（ACD）会议，目前以太坊开发者的目标是在2月初为上海升级启动公共测试网，并暂定于2023年3月的某个时间启动上海升级主网。
开发人员同意从上海升级中移除与EOF实施相关的代码更改，还同意拒绝来自上海升级的任何其他以太坊改进提案（EIP）来代替EOF EIP，主要是为了确保质押ETH提款的时间表不会延迟。作为上海升级唯一的主要代码更改，抵押的ETH提款正在以开发人员为中心的测试网络上进行测试。此外，开发者同意将上海升级之后的Cancun升级专注于EIP-4844。
据金色财经此前报道，以太坊新闻周刊创始人Evan Van Ness发推称，以太坊质押提款Devnet测试网已于近日启动。相关提款功能即将推出，可能在明年第一季度末。以太坊基金会成员parithosh评论称，“我们很快就会有一个更公开的测试网供大家提款。”[2023/1/8 11:00:57]
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GoogleBrain去年发布的Imagen——文本生成图像的扩散模型。
欧盟专员敦促加快对加密货币法律的表决速度:金色财经报道，欧盟专员Mairead McGuinness希望加快对加密货币法律的投票，该法律因程序原因被反复推后。
欧洲议会原定于本月对该立法进行表决，但由于担心文本的长度和复杂性，必须翻译成24种语言，因此被推迟到2月。尽管该立法原则上在去年6月达成一致，但投票也有可能在3月举行。它将在集团官方期刊上发表后的12至18个月内生效。官员们指出，根据禁止滥用客户资金的规定，MiCA本可以阻止FTX涉嫌的不当行为，但一些议员似乎持怀疑态度。（the block）[2022/12/10 21:34:47]
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。
韩国釜山市议会通过设立“釜山数字资产交易平台”相关条例:10月8日消息，韩国釜山市议会第 309 次第 4 次全体会议通过了设立釜山数字资产交易平台的相关条例。该条例要求为建设釜山数字资产交易平台设立推进委员会，并对釜山数字资产交易平台的设立时间、地点、规模、运营等业务方向进行审议并提出建议。（Gukjenews）[2022/10/8 12:49:33]
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StabilityAI，使用LAION数据集推出了StableDiffusion，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StabilityAI正在寻求40亿美元估值，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、StabilityAI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RomainBeaumont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StabilityAI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GettyImages起诉StabilityAI，称其1200万张照片被LAION取走，并用来训练StableDiffusion。
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。。
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「SchoolsofTrust」。
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：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/
来源：元宇宙之心
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。