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：
Memeland：OpenSea上出现虚假MEMECOIN，请勿铸造:7月5日消息，NFT项目Memeland在其官推发文称，NFT交易市场OpenSea上出现了虚假MEMECOIN，目前已就该问题联系了OpenSea平台，提醒用户不要铸造该虚假MEMECOIN，同时可以向平台发起欺诈报告。Memeland补充称，上架虚假MEMECOIN可能是OpenSea平台的一个Bug。[2023/7/5 22:18:13]
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。
NFT借贷平台PaprMeme完成300万美元融资:金色财经报道，四名前 Coinbase 员工推出的 NFT 借贷平台 PaprMeme 完成 300 万美元融资，Coinbase Ventures 参投。据悉，该平台不提供直接的点对点借贷，而是采用了一种基于原生 Token 的新颖机制。[2023/2/20 12:17:57]
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。
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。
Meme项目Floki推出商店并将Binance Pay作为主要支付解决方案:金色财经报道，Meme 项目 Floki 发文表示，Binance Pay 已经与其达成战略合作伙伴关系，Floki 同时还宣布推出官方商店 Shop Floki 并将 Binance Pay 作为主要支付解决方案。截止目前，Shop Floki 尚未展示具体提供的线上商品，官方称上架时间将会在 1 月 20 日 4:00。[2023/1/19 11:19:57]
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。
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。
王思聪入局数字藏品，控股公司投资成立元宇宙公司推藏品，单品发行总价值近250万:金色财经报道，上海薄荷镇艺术科技有限公司已上线名为“名堂MintTown”的平台，据天眼查APP，王思聪通过参股上海香蕉计划娱乐文化有限公司，间接持有薄荷镇股份。薄荷镇成立于2022年8月15日，注册资本200万人民币，王思聪持有香蕉娱乐公司27%的股份。 MintTown即将发售创始藏品，售价为499元，将发行5000份，其中市场流通4000份，即创始藏品发行总价值已达到249.5万元。在其官方路线图中提到，将于11月开放藏品流转。在上链方面，“名堂 MintTown”提到，已成为华为云数字资产链的首批使用者。其介绍，华为云数字资产链已协助数百余家公司搭建了自己的元宇宙和数字藏品平台，已有超百万件数字资产在华为云数字资产链上进行发行。[2022/10/11 10:30:36]
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：
数据：DeFi协议总锁仓量回升至600亿美元上方:金色财经报道，据DefiLlama数据显示，DeFi协议总锁仓量（TVL）为602.6亿美元，24小时内涨幅为0.98%。TVL排名前五分别为MakerDAO（80.6亿美元）、Lido（70.7亿美元）、AAVE（62.3亿美元）、Curve（58.8亿美元）、Uniswap（56.7亿美元）。[2022/8/31 13:00:07]
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。