格物钛崔运凯WAIC演讲：从开源软件到开放数据的

2021年7月9日，第四届人工智能大会在上海火热持续，全球AI领域产学研各界大佬在此云集，突破300家科技企业在线下深度参与。一场名为“AI时代数据开放共享”的创新论坛将数据生态新活力引入高潮。AI创新明星企业格物钛受邀出席，创始人兼CEO崔运凯发表主题演讲，从全球视野分享格物钛对于未来AI创新格局的看法，以及开源软件和开放数据对于未来格局的影响。崔运凯表示“开源软件让科技创业变得可能，如果说在AI时代数据就相当于代码，那么开源数据之于AI的影响力和作用，丝毫不亚于开源软件之于应用的影响力和作用。”

推火网以下为格物钛创始人兼CEO崔运凯演讲全文

各位领导和嘉宾们，大家上午好。我是格物钛的创始人兼CEO崔运凯。很高兴受到上海白玉兰开源开放研究院的邀请，有机会跟大家分享格物钛对于未来AI创新格局的看法，和开源软件及开放数据对于这个格局的影响。

在分享开头，我想和大家讲几个创业故事。第一个创业故事就是马克·扎克伯格创立Facebook的故事。大家都知道扎克伯格是在大学的宿舍里写了第一版Facebook的程序。大家可能不知道的是他使用了PHP编程语言、使用了MySQL数据库，和Lux操作系统来为他的服务做托管。而这里的PHP、MySQL和Lux都是开源软件。

第二个创业故事我要分享的是一家国内非常知名的企业，张一鸣的今日头条。张一鸣创业的时候就要幸运得多，有更多的技术可以使用。比如说消息队列，他们使用了Kafka，大数据分析系统用了Hadoop，数据库用了MongoDB，内存加速使用了Redis。同样的，这些也都是开源软件。

跟大家分享上面两个故事实际上是想引出我们对于过去20年科技创新驱动力的观察，那就是开源软件让科技创业变得可能。没有开源软件，全球就不会有这么多科技公司的涌现，更不会有这么多便捷的产品，丰富我们的生活。

科技还在继续进步，工作和生活的组织形式还在不断进化。我们从PC互联网时代，进入到了移动互联网时代，再进而向着人工智能的时代进化。如果说软件开源是PC和移动时代创新的动力，那么什么是AI时代的创新动力呢？这是我们不断在思考并且追问自己的。我想用几个故事，引出我们对这个问题的答案。

第一个故事发生在计算机视觉领域。2009年斯坦福的李菲菲教授发布了一个公开数据集，这个数据叫ImageNet。它的发表推动了计算机视觉的飞速发展。这个数据集包含1400百万张图片，发布至今被引用了29000多次。而今天大家体验到的人工智能热潮，其实也是被一篇叫AlexNet的论文带起来的。通过使用卷积神经网络，它大规模地提升了计算机视觉识别算法的性能。更是比排名第二的算法的精确度高了40%。

第二个故事我想跟大家分享的发生在自然语言处理领域。斯坦福大学的科学家Jure在2013年发布了一个叫做亚马逊评论的公开数据集。这个数据集涵盖了从1994年到2013年在亚马逊网站上的一共一亿四千三百万条评论。这个数据集的发表也极大推动了自然语言处理领域的创新。图灵奖获得者Yann LeCun也将卷积神经网络模型应用在了这个数据及上，取得了非常不错的效果。他不仅推动了算法的发展，也推动了算力的发展。英伟达在2018年完成了LSTM（长短记忆模型）在整个数据集上的训练，这个训练用了分布式的显卡资源，只用了4个小时。而之前训练同样的模型，需要数月时间。

同样的故事也发生在语音处理领域。TIMIT数据集的发表，让因素识别模型的预测准确性从过去10年的78%提高到了92.85%。最近几年火热的无人驾驶也有很多类似的例子，比如说KITT数据集。KITTI数据集的诞生和基于KITTI数据集做的大量算法的研究，为今天无人驾驶的发展奠定了基础。

刚刚讲了这么多在AI不同领域的驱动力故事，实际上是想引出我们对于什么是AI时代创新驱动力的回答——那就是开源数据。如果说在AI时代，数据就相当于代码；那么开源数据之于AI的影响力和作用，丝毫不亚于开源软件之于应用的影响力和作用。

虽然开源数据将会成为未来驱动AI创新的核心驱动力，但并不意味着开源一个数据集就是一件简单的事情。我们观察到做数据开源至少有四个痛点

1、协议痛点数据和软件一样，都有版权，开源数据并不像开源软件那样有相对标准的协议；

2、运营痛点当一个数据集开放后，运营以这个数据集为核心的社区，并吸引足够多的关注者，也是一件非常有挑战的事情；

3、数据标准数据以什么样的格式向公众开放，方便社区成员使用，其实也没有通用的国际标准。数据的开放方还要开发并提供SDK，才能让用户方便使用开放的数据；

4、资金来源ImageNet从想法到的发布，历时3年才最终完成，这里少不了数据的采集、清洗、标注等工作，而所有这些工作都需要资金的支持，才能完成。而如何筹措这些资金，可能会成为数据开源的影响因素。

中国的数据开源又有一些自身的独特点，其中包括但不限于

中国的数据开源起步比较晚。现在世界知名的公开数据集基本都是海外机构发布和分享的。国内只有最近几年才开始有学术机构和企业开始做类似的尝试。比如说去年年底由我们格物钛发起的寻集令计划，就是其中的尝试之一；

虽然中国AI应用有大量的场景，现在国内机构和企业发布的公开数据却没有涵盖那么多场景。丰富度还是远远不足的；

国内的从业者，或者是场景的拥有方，对于数据开放的认识不足，或对于创新应用没有规划，也是导致现在国内开放数据不足的重要原因。

在这次活动中发布的《木兰-白玉兰开放数据许可协议》标志着一个很好的开始，也推动着中国的数据开源迈出了非常重要的一步。我们坚信开发数据协议的发布和推广，可以很好地降低数据开源的壁垒。在海外，开源软件的协议已经标准化，并整合进三个标准的协议，MIT、BSD和GPL，开源数据协议却没有一个统一的标注，处在多个协议并存的阶段。这为数据的开放增加了很多难度。