圖片來(lái)源：無(wú)界AI畫(huà)繪畫(huà)工作生成

3月16日，百度創(chuàng)始人李彥宏做了大語(yǔ)言模型“文心一言”的發(fā)布會(huì)。

(資料圖)

結(jié)果，觀眾只記住了白襯衫和白腰帶，并且紛紛表示好奇，李彥宏保養(yǎng)的不錯(cuò)。然后感慨，Robin Li與其分享百度雄心勃勃的語(yǔ)言大模型，不如講一講如何保養(yǎng)，搞不好還能帶個(gè)貨，股價(jià)也許就上去了。

雖然，網(wǎng)絡(luò)上鍵盤(pán)俠吐槽很多，但還是有很多媒體寫(xiě)到：《中國(guó)百度硬剛chatGPT，國(guó)產(chǎn)之光》。沒(méi)辦法，AI這個(gè)領(lǐng)域，好像只有百度能打，起碼，大部分公眾的認(rèn)知是這樣。

如果說(shuō)16日發(fā)布會(huì)后公眾的態(tài)度是希望百度扛起對(duì)線chatGPT的大旗。這兩天，畫(huà)風(fēng)變了，吐槽排山倒海而來(lái)，可以說(shuō)是怒其不爭(zhēng)了。

首先是一批圖片，顯示文心一言理解能力很差。

另外，還有一批圖片，更是把文心一言給狠狠錘了一把。大意是說(shuō)，文心一言更懂英文，不懂中文。直言百度作假，文心一言是套殼了chatGPT，水貨。那么，真的是這樣子嗎？

01 百度文心一言被爆錘，國(guó)產(chǎn)都不行？

微博賬號(hào)“劉大可先生”錘百度的文字被傳播得很廣，光點(diǎn)贊就有2.2萬(wàn)。

他是這么說(shuō)的：百度這個(gè)所謂的人工智能，其實(shí)就把中文句子機(jī)翻成英語(yǔ)單詞，拿去用國(guó)外剛剛開(kāi)源的人工智能“Stable Diffusion”生成了圖畫(huà)，再返回給你，說(shuō)是自己畫(huà)的。

他給出的理由有很多，這里僅舉一個(gè)例子。

上圖，“劉大可先生”的要求是畫(huà)“云中的平面”，結(jié)果文心一言畫(huà)了個(gè)飛機(jī)，“劉大可先生”說(shuō)，這是因?yàn)椤霸浦械钠矫妗睓C(jī)翻之后是“plane in cloud”，所以文心一言背后的英語(yǔ)的人工智能當(dāng)然會(huì)畫(huà)個(gè)飛機(jī)。下面這張圖在社交網(wǎng)絡(luò)傳播非常廣，揭示的“真相”與上文是一樣的。

自從chatGPT誕生后，以及包括一系列AI畫(huà)圖軟件，像Stable-Diffusion、Midjourney、DALLE等誕生以來(lái)，我們其實(shí)看到了很多的應(yīng)用，底層都是這些開(kāi)源的模型。但是通過(guò)“漢化”，可以給中國(guó)的用戶(hù)帶來(lái)很好的體驗(yàn)。

百度的文心一言是不是也這樣？這個(gè)“判斷”可能是武斷的。

2月20日晚間，復(fù)旦大學(xué)邱錫鵬教授團(tuán)隊(duì)發(fā)布國(guó)內(nèi)首個(gè)類(lèi)ChatGPT模型MOSS，但是很快就被吐槽，它的中文水平不如英文。

3月30日，阿里達(dá)摩院低調(diào)地在魔搭社區(qū)（ModelScope）放出了“文本生成視頻大模型”。結(jié)果，這個(gè)大模型也是更懂英文，有體驗(yàn)者寫(xiě)到，他輸入提示詞：A panda eating bamboo on a rock。77秒后，大模型給出了一個(gè)2秒的熊貓吃竹子視頻。如果換成中文：一只大熊貓坐在巖石上吃竹子。出來(lái)的結(jié)果就是一只類(lèi)似于貓咪的小動(dòng)物。離題萬(wàn)里。

02 中文數(shù)據(jù)天生缺陷？

為什么會(huì)這樣呢？在微博賬號(hào)“劉大可先生”爆錘百度的微博文字下面，第一個(gè)留言的名叫“歐陽(yáng)少慳"，他說(shuō)，文心一言出現(xiàn)這種情況的因?yàn)樵谟?，目前開(kāi)源的圖文數(shù)據(jù)大部分是英文的，可以參考LAION這個(gè)開(kāi)源數(shù)據(jù)庫(kù)，所以目前的diffusion model基本都是英文驅(qū)動(dòng)，這也導(dǎo)致了“劉大可先生”說(shuō)的怪異現(xiàn)象。

“當(dāng)然，我們期待同等規(guī)模的中文開(kāi)源數(shù)據(jù)庫(kù)的出現(xiàn)。stable diffusion是一種網(wǎng)絡(luò)結(jié)構(gòu)，開(kāi)發(fā)者完全可以使用LAION數(shù)據(jù)集和sd結(jié)構(gòu)訓(xùn)練一個(gè)自己的網(wǎng)絡(luò)，不需要套皮?！彼f(shuō)。

23日中午，百度官方公眾號(hào)發(fā)了一則聲明，寫(xiě)到：“文心一言完全是百度自研的大語(yǔ)言模型，文生圖能力來(lái)自文心跨模態(tài)大模型ERNIE-ViLG。在大模型訓(xùn)練中，我們使用的是全球互聯(lián)網(wǎng)公開(kāi)數(shù)據(jù)，符合行業(yè)慣例。大家也會(huì)從接下來(lái)文生圖能力的快速調(diào)優(yōu)迭代，看到百度的自研實(shí)力。”

有從業(yè)者稱(chēng)，這基本等于承認(rèn)使用了LAION。LAION，這是目前最為知名的大規(guī)模圖文多模態(tài)數(shù)據(jù)集。作為一個(gè)非營(yíng)利性組織，LAION提供數(shù)據(jù)集、工具和模型來(lái)解放機(jī)器學(xué)習(xí)研究。官網(wǎng)寫(xiě)到：我們通過(guò)這樣做，鼓勵(lì)開(kāi)放的公共教育，并通過(guò)重用現(xiàn)有數(shù)據(jù)集和模型來(lái)更環(huán)保地使用資源。

從這個(gè)角度理解，說(shuō)文心一言“套皮”或許還是比較武斷的。到底是不是“套皮”，或者百度的語(yǔ)言大模型在技術(shù)上有沒(méi)有參考海外項(xiàng)目？我們還要等待更多的來(lái)自行業(yè)的披露信息。

但是，這個(gè)事情從側(cè)面肯定能說(shuō)明一個(gè)問(wèn)題，雖然，我們一直強(qiáng)調(diào)中國(guó)有海量的數(shù)據(jù)，但企業(yè)的實(shí)踐卻表明：不好用。

復(fù)旦MOSS大模型被質(zhì)疑中文水平不如英文時(shí)，MOSS研究團(tuán)隊(duì)就坦承，“MOSS的英文回答水平比中文高，因?yàn)樗哪Ｐ突鶎W(xué)習(xí)了3000多億個(gè)英文單詞，中文詞語(yǔ)只學(xué)了約300億個(gè)?！?/p>

而澎湃新聞采訪了粵港澳大灣區(qū)數(shù)字經(jīng)濟(jì)研究院（IDEA）認(rèn)知計(jì)算與自然語(yǔ)言中心文本生成算法團(tuán)隊(duì)負(fù)責(zé)人王昊，他說(shuō)：“數(shù)據(jù)質(zhì)量的差別是主要瓶頸之一。相較于英文數(shù)據(jù)，中文數(shù)據(jù)的開(kāi)源程度較低，導(dǎo)致中文數(shù)據(jù)集的規(guī)模相對(duì)較小。此外，英文作為科研主流語(yǔ)言，在學(xué)術(shù)界和工業(yè)界中得到廣泛應(yīng)用，積累了大量高質(zhì)量的語(yǔ)料數(shù)據(jù)，這為英文自然語(yǔ)言處理的研究提供了極大的優(yōu)勢(shì)?！?/p>

有一個(gè)數(shù)據(jù)很現(xiàn)實(shí)：雖然簡(jiǎn)體中文互聯(lián)網(wǎng)用戶(hù)和英文互聯(lián)網(wǎng)用戶(hù)規(guī)模相當(dāng)，但在全球排名前1000萬(wàn)個(gè)網(wǎng)站中，英文內(nèi)容占比60.4%，中文內(nèi)容占比僅為1.4%。

這會(huì)是中國(guó)企業(yè)探索大語(yǔ)言模型的問(wèn)題和瓶頸嗎？可能也不是?；蚴怯^念，尤其是意識(shí)形態(tài)的阻礙更大。

中關(guān)村新場(chǎng)景MA Club發(fā)起人檀林在一次分享中質(zhì)問(wèn)：“做一個(gè)中國(guó)的大語(yǔ)言模型，自己給自己砌一道墻，和全球分開(kāi)。就像做一個(gè)純中文的操作系統(tǒng)一樣，能有多大的意義？大家都知道，簡(jiǎn)體中文的數(shù)據(jù)質(zhì)量很差，語(yǔ)料庫(kù)的知識(shí)含量和價(jià)值已經(jīng)比海外的幾個(gè)大語(yǔ)言模型要低得多了，所以如果現(xiàn)在還非要給自己一個(gè)束縛的話，我覺(jué)得這種態(tài)度在開(kāi)局就輸了?！?/p>

中國(guó)企業(yè)要想在大語(yǔ)言模型的賽道分一杯羹，蹚出一條路，使用英文數(shù)據(jù)是不得已，沒(méi)辦法。當(dāng)然，我們顯然更期待中文數(shù)據(jù)領(lǐng)域能有更好的發(fā)展。

關(guān)鍵詞：