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（相当于CLIP图文数据集），如今被用于各种生成模型，包括谷歌Imagen、Parti，以及惊艳全球的Stable Diffusion。
就连Stable Diffuision背后公司Stability AI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。
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。
金色财经挖矿数据播报：ETH今日全网算力下跌3.55%:金色财经报道，据蜘蛛矿池数据显示：
BTC全网算力147.849EH/s，挖矿难度25.05T，目前区块高度685873，理论收益0.00000628/T/天。
ETH全网算力578.166 TH/s，挖矿难度7333.68T，目前区块高度12552298，理论收益0.00283155/100MH/天。
BSV全网算力0.727EH/s，挖矿难度0.09T，目前区块高度689834，理论收益0.00123673/T/天。
BCH全网算力2.602 EH/s，挖矿难度0.37T，目前区块高度690436，理论收益0.00034593/T/天。[2021/6/2 23:03:48]
但在德国汉堡市郊区的一间房屋内，这位高中教师舒曼（Christoph Schuhmann）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。
金色财经合约行情分析 | BTC继续缩量盘整:据火币BTC永续合约行情显示，截至今日17:00（GMT+8），BTC价格暂报9427美元（+0.76%），20:00（GMT+8）结算资金费率为0.010000%。
BTC昨夜至今不断窄幅震荡向上，目前在9500美元下方盘整。根据火币交割合约数据，BTC当季合约成交额小幅下跌，持仓量增加，精英多头占比略增，当季合约保持窄幅溢价。BTC不断缩量盘整，行情大幅变动仍需要催化剂。[2020/6/22]
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。
（看来从那时候就已经变得Close了）
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：
金色相对论 | 溯源能否为区块链大规模落地突围:刚刚，第九期金色相对论开始进行干货对阵，聚焦“溯源，能否为区块链大规模落地突围？”话题，展开激烈的思想交锋与智慧碰撞。敬请关注金色财经了解最新观点。[2018/8/2]
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Common Crawl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。
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。
金色财经讯:10月30日，立陶宛央行与中国敦煌网共商中欧数字贸易金融机遇，立陶宛央行对中国的区块链创新和供应链金融等领域大加赞赏。[2017/10/31]
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。
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。
金色财经讯:英国诺丁山豪宅将通过比特币支付。[2017/10/16]
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。
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」。
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
元宇宙之心
企业专栏
阅读更多
金色荐读
金色财经 善欧巴
Chainlink预言机
区块律动BlockBeats
白话区块链
金色早8点
Odaily星球日报
欧科云链
MarsBit
深潮TechFlow
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。