强生外国创意广告

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>為(wei)了(le)中(zhong)國(guo)市(shi)場(chang)，Hugging Face 甚(shen)至(zhi)玩(wan)上(shang)了小(xiao)紅(hong)書(shu)

讓(rang)每(mei)個(ge)人(ren)、每家(jia)企(qi)業(ye)能(neng)用(yong)上自(zi)己(ji)的(de)大(da)模(mo)型(xing)。

提(ti)到(dao) AI 競(jing)賽(sai)，以(yi)往(wang)人們(men)脫(tuo)口(kou)而(er)出(chu)的大多(duo)是(shi) OpenAI、谷(gu)歌(ge)、微(wei)軟(ruan)等(deng)壹(yi)眾(zhong)大廠(chang)，但(dan)隨(sui)著(zhe) Hugging Face 的出圈(quan)，人们逐(zhu)漸(jian)意(yi)識(shi)到，如(ru)今(jin)的開(kai)源(yuan)社(she)區(qu)也(ye)已(yi)經(jing)成(cheng)長(chang)为了一股(gu)不(bu)容(rong)忽(hu)視(shi)的力(li)量(liang)。

作(zuo)为开源界(jie)的頂(ding)流(liu)、AI 領(ling)域(yu)的 GitHub，Hugging Face的發(fa)展(zhan)模式(shi)是基(ji)於(yu)开源的協(xie)作與(yu)合(he)作，以开放(fang)、透(tou)明(ming)的方(fang)式与全(quan)球(qiu)的开发者(zhe)和(he)研(yan)究(jiu)者合作，通(tong)過(guo)提供(gong)一鍵(jian)式的技(ji)術(shu)工(gong)具(ju)，極(ji)大地(di)降(jiang)低(di)了 AI 的技术門(men)檻(kan)。

7 月(yue) 7 日(ri)上午(wu)，在(zai)世(shi)界人工智(zhi)能大會(hui) WAIC 的主(zhu)会场，Hugging Face 的中国区負(fu)責(ze)人王(wang)鐵(tie)震(zhen)，与未(wei)盡(jin)研究的創(chuang)始(shi)人周(zhou)健(jian)工，進(jin)行(xing)了一场主題(ti)为《开源力量推(tui)動(dong)生(sheng)成式 AI 发展》的對(dui)話(hua)。

在王铁震看(kan)來(lai)，开源最(zui)大的優(you)勢(shi)就(jiu)是「透明」，每个人都(dou)能打(da)开大模型的「黑(hei)盒(he)」看到數(shu)據(ju)是如何(he)被(bei)應(ying)用于訓(xun)練(lian)的，每个人也都能依(yi)据自身(shen)需(xu)求(qiu)场景(jing)去(qu)创造(zao)屬(shu)于自己的 AI 模型。

同(tong)時(shi)，作为一家估(gu)值(zhi)至少(shao) 20 億(yi)美(mei)元(yuan)的开源社区，Hugging Face 主打的就是「貼(tie)近(jin)群(qun)众」，例(li)如直(zhi)接(jie)將(jiang)活(huo)动搬(ban)到小红书上，让更(geng)多人能近距(ju)離(li)接觸(chu) AI。

王铁震認(ren)为，未来 AI 发展的關(guan)键在于：「不僅(jin)仅要(yao)让 AI 的发展能幫(bang)助(zhu)到各(ge)行各业的人，也要让各行各业的人加(jia)入(ru)进来对 AI 的发展產(chan)生帮助。」

01

AI 2.0 需要新(xin)的「學(xue)習(xi)」

周健工：之(zhi)前(qian)妳(ni)說(shuo)這(zhe)半(ban)年(nian)一直在学习，你在学什(shen)麽(me)？通过你的学习，对生成式人工智能这个行业的前景有(you)什么新的感(gan)悟(wu)嗎(ma)？

王铁震：过去五(wu)六(liu)年我(wo)在谷歌都是在做(zuo) AI，我们當(dang)时做谷歌人工智能的训练框(kuang)架(jia)，当时我们在服(fu)務(wu)器(qi)上、手(shou)機(ji)上都有做过一些(xie)工作。但是我发現(xian)当时那(na)一波(bo)的人工智能和现在的 AI 2.0 有很(hen)大的不同，因(yin)为以前的模型其(qi)實(shi)沒(mei)有那么聰(cong)明，它(ta)的通用性(xing)也不好(hao)，每一个新场景都要重(zhong)新去训练，所(suo)以它是面(mian)向(xiang)开发者的一个 AI 工具，並(bing)不是普(pu)通人也能用起(qi)来的 AI 工具。

去年大概(gai) 10 月、11 月的时候(hou)，我发现这一波 AI 浪(lang)潮(chao)非(fei)常(chang)的不一樣(yang)。像(xiang)是 Stable Diffusion，玩得(de)最火(huo)的可(ke)能不是 AI 圈的人，而是学习藝(yi)术、設(she)計(ji)的这些人，之後(hou)的 ChatGPT 更是很多美国的普通学生在用来寫(xie)作业了，这个給(gei)我的感覺(jiao)非常不一样。

当时正(zheng)好有一个契(qi)机，我就加入了 Hugging Face，加入之后一直在学习这方面比(bi)較(jiao)新的技术。其实也不只(zhi)是技术，我還(hai)需要向开发者去学习 To C 的東(dong)西(xi)，让每个人都能把(ba)大模型用起来，根(gen)据自己的需求去将大模型与自己的领域相(xiang)結(jie)合。

我也在学习大家是怎(zen)么使(shi)用这个技术的，它能去解(jie)決(jue)什么样的問(wen)题，看到大家的一些创新想(xiang)法(fa)会感到非常开心(xin)。所以前六个月，我基本(ben)上都在学习的过程(cheng)中，每天(tian)都是非常充(chong)实，感觉 24 个小时完(wan)全不夠(gou)用。

02

开源的最大优势是「透明」

周健工：行业內(nei)现在产生的一个爭(zheng)論(lun)是，閉(bi)源和开源的模型是怎么共(gong)同推动生成式人工智能往前发展的？它们各自有哪(na)些特(te)點(dian)和不同？

王铁震：以大模型为例，大家最熟(shu)悉(xi)的 ChatGPT 其实就是一个闭源的模型，目(mu)前 GPT-4 是效(xiao)果(guo)最好的模型，这毋(wu)庸(yong)置(zhi)疑(yi)。很多企业在创业的早(zao)期(qi)也都是選(xuan)擇(ze)接入 ChatGPT，直接在外(wai)面做一些 prompt engineering，做 fact database，就可以很快(kuai)地把产品(pin)做成。

但是随着規(gui)模的擴(kuo)大，或(huo)者说因为不同领域的一些要求，就会发现数据安(an)全、企业部(bu)署(shu)的场景、部署的成本以及(ji)大模型功(gong)能上的问题。大家发现 ChatGPT 并不能完整(zheng)滿(man)足(zu)他(ta)们的需求之后，企业就会想能不能擁(yong)有一个自己可控(kong)、可調(tiao)、可「魔(mo)改(gai)」的模型。

Hugging Face 当时贊(zan)助了一个叫(jiao)做 Big Science 的开源組(zu)織(zhi)，他们做了一个 Bloom 模型，是一个千(qian)亿級(ji)的模型。我们当时把这个模型训练下(xia)来，用了 300 多塊(kuai) A100（英(ying)偉(wei)達(da) GPU），花(hua)了 100 多天，最后算(suan)下来成本非常高(gao)。包(bao)括(kuo)训练产生的碳(tan)排(pai)量，其实相当于排放了 50 多噸(dun)的二(er)氧(yang)化(hua)碳才(cai)计算出来，所以從(cong)頭(tou)训练一个大模型是非常不经濟(ji)的，尤(you)其是对于中小型的公(gong)司(si)来講(jiang)。

但是我们把模型训练完成后，包括很多其他做开源的大模型，会把这个模型公布(bu)出来，大家可以基于这个模型去做一些场景的调优，这样对于企业的要求就更低。企业不再(zai)需要那么多顯(xian)卡(ka)，也不需要那么多时間(jian)，甚至稍(shao)微少一点的算力和数据都可以做到这个事(shi)情(qing)。这其实是开源社区给大家帶(dai)来的非常好的机会。

往更遠(yuan)说，开源社区所有的东西都是透明的，你知(zhi)道(dao)这个模型用了哪些数据，包括最近大家都在说網(wang)絡(luo)信(xin)息(xi)有被遺(yi)忘(wang)的權(quan)利(li)，但是闭源模型的数据被吃(chi)掉(diao)后，你永(yong)远不知道是不是有些关于你的事情会在互(hu)聯(lian)网上被公布出去，相反(fan)，开源模型所有的数据集(ji)都是公开的。

我们在做大模型的时候设计了一个特殊(shu)的机制(zhi)，就是允(yun)許(xu)你 opt out（退(tui)出）。因为模型的数据集、模型训练，以及模型的发布、优化都是在网上全部公开的，所以你随时可以发现这个模型在做什么事情。所謂(wei)的 opt out 机制，是说如果我的数据不想被大模型吃掉，不想用于这个大模型的训练，你随时可以把它抹(mo)掉。

所以我认为开源相对闭源一个非常大的优势就是——透明。开源模型可以给每个人更多的选择，每个国家、企业都可以按(an)照(zhao)自己的需求去定(ding)制。另(ling)外，开源还是一个非常好的工具，它可以通过在線(xian)的平(ping)臺(tai)去團(tuan)结全世界的开发者，只要你有想法、有自己的思(si)路(lu)，就可以加入到开源社区，把你做的事情很快地跟(gen)全世界分(fen)享(xiang)。

周健工：开幕(mu)的那天 Yann LeCun 楊(yang)立(li)昆(kun)有一个对话，他认为解决大模型现存(cun)问题的唯(wei)一的出路就是开源，你怎么評(ping)论这句(ju)话？

王铁震：站(zhan)在 Hugging Face 的角(jiao)度(du)，我们其实是非常期望(wang)通过开源的方式把大模型普惠(hui)化，让每一个公司、每一个人都能拥有自己的大模型去做自己的事情，去解决数据隱(yin)私(si)、数据安全等问题。

包括最近有很多企业都明確(que)的规定他们的員(yuan)工不允许使用 ChatGPT 这種(zhong)模型，甚至有一些謠(yao)言(yan)说 Google 的员工也不允许使用自己的 Bard 模型，因为擔(dan)心隐私数据的泄(xie)露(lu)。

还有一点是，为了让模型在某(mou)一个领域去更加趨(qu)同人的行为，ChatGPT 做了很多工作，但是它只给了我们一个选择。通过开源，我们每一个人都可以根据自己的需求去生成模型。

03

AI 玩上小红书

周健工：Hugging Face 上有 25 萬(wan)个模型，这个数字(zi)很令(ling)人吃驚(jing)，这 25 万个模型都是什么样的模型？他们为什么都跑(pao)到你们的平台？能不能簡(jian)單(dan)科(ke)普一下。

王铁震：我们剛(gang)才聊(liao)得很多都是 NLP（自然(ran)語(yu)言處(chu)理(li)）领域的文(wen)本大模型，其实在我们开源社区看来，这只是千千万万大模型种類(lei)的一种。

为什么千千万万的模型都选择上傳(chuan)到 Hugging Face，我想从兩(liang)点来回(hui)答(da)，一个是说技术層(ceng)面，一个是从社区层面。

技术层面

技术层面上其实我们是像 AI 界的 GitHub，比 GitHub 更適(shi)合 AI 界的一点，是我们支(zhi)持(chi)大文件(jian)的上传，我们免(mian)費(fei)提供 hosting，免费提供全球 CDN 的 deliver。这些对大家的帮助是非常大的，而且(qie)大家基于我们的平台可以做版(ban)本控制以及开源协作，每个人都可以来貢(gong)獻(xian)一点，最終(zhong)把开源模型變(bian)得更好。

在技术上我们还提供了可以一键部署的功能，你可以点一下鼠(shu)標(biao)就将模型快速(su)的部署到亞(ya)馬(ma)遜(xun)雲(yun)上，很快就可以将模型使用起来。

文化层面

从社区文化上来说，我们是一个非常重视开源社区的公司，我们特別(bie)希(xi)望帮助大家，希望能有更多的开发者參(can)与到开源的事业中，所以我们特别願(yuan)意去接受(shou)大家的反饋(kui)，去跟大家做互动。

比如对于第(di)一次(ci)来贡献代(dai)碼(ma)的开发者，我们会对他们进行非常細(xi)致(zhi)的輔(fu)導(dao)，这其实很花时间，而且投(tou)入产出比不高，但我们觉得这是一个非常有價(jia)值并且重要的事情，因为我们要慢(man)慢把一个开源社区做起来。

我舉(ju)个例子(zi)，昨(zuo)天晚(wan)上我看到微信群裏(li)有人说觉得 Hugging Face 很有意思，因为他之前就是抱(bao)怨(yuan)了一下我们的系(xi)統(tong)有的变量名(ming)不是特别好，第二天就发现 Hugging Face 的员工專(zhuan)门开了一个 issue 来討(tao)论这个问题。

我们社区的文化实際(ji)上是非常好的，每一个人到社区里都有一种家的感觉，大家也更愿意使用我们的平台。

周健工：你談(tan)到的社区其实有三(san)类用戶(hu)，第一批(pi)是早期的研究者，第二批是开发者，第三批是真(zhen)正的技术使用者，能不能结合你的工作来聊聊未来 Hugging Face 社区的发展方向？

王铁震：我们想要做 AI 的普惠化，希望每一个国家和企业都能有自己的模型，并且每个人也有使用 AI 的能力。所以我们早期的工作确实是在关註(zhu)研究者，在思考(kao)怎么方便(bian)他们去更快地创造一个模型，随后我们设计了一套(tao) API 的流程，让大家可以用同样的 API 去快速的调用基于 Transformer 或者 Diffusion base 的模型。

慢慢地我们扩展到了工业界，希望抹平学术界和工业界之间的差(cha)異(yi)，让一个模型从学术界拿(na)过来之后很快就能在工业界用起来。现在我们发现新一波的生成式人工智能对每一个非技术向的用户都有很大的帮助，所以我们也希望进一步(bu)抹平这方面的门槛。

我们在 Hugging Face 上提供了一些非常有意思的工具。正常来说你在 GitHub 上看到一个 repo（repository，可以理解为存放項(xiang)目的倉(cang)庫(ku)），要把它用起来需要自己裝(zhuang)環(huan)境(jing)搭(da)配(pei)，对于很多非技术向的用户这是一个很麻(ma)煩(fan)的事情，因为他可能看到这堆(dui)代码之后也用不起来。

我们做了一个 spaces，可以在线免费给用户提供一个容器环境，开发者可以把它的模型直接部署在 spaces 上，当用户进来的时候看到就不仅仅是一堆代码，他看到的是一个鮮(xian)活的应用，可以直接在上面点一点玩起来，直接看到效果。我觉得这个对大家帮助是特别大的。

另外我们也会在国内搞(gao)很多活动，希望帮助更多人去了解 AI 模型是怎么回事兒(er)。

插(cha)个廣(guang)告(gao)，我们最近在小红书上进行基于我们 Diffusion 的活动，希望大家能去生成自己的卡通風(feng)格(ge)头像，跟其他产品不同的是我们提供了一个开发的环境，你可以在其中看到每執(zhi)行一步程序(xu)，圖(tu)像产生的结果里面会有很多参数，你可以把黑盒打开，了解到这个模型里面到底(di)在做些什么，然后进一步将更多的 AI 能力和实际需求结合起来。

我们最近也在做 AI for Gaming，希望做遊(you)戲(xi)的同学能够了解 AI 的能力，让做 AI 的人也了解游戏场景中他们在关注什么，把两者结合起来，我们认为这个方向会有很多有意思的探(tan)索(suo)。

總(zong)结一下，我认为不仅仅要让AI的发展能帮助到各行各业的人，其实也要让各行各业的人加入进来对 AI 的发展产生帮助。大家可以一起探索这些前沿(yan)未来的方向，这不是 AI 圈自己就能解决的一个问题，我们要把具體(ti)的场景带进来。

来源：极客(ke)公園(yuan)返(fan)回搜(sou)狐(hu)，查(zha)看更多

责任(ren)編(bian)輯(ji)：