上周张万张ams.abg11.com，一家专注视觉生成的公司公开了其AI图像模子锻炼数据集的内部审计述说，1200万张抓取图片，经由去重、恍惚过滤和版权筛查的。只剩287万张能进入锻炼管线图片图像。数据清洗团队负责人说，剩下的图片里还有约15%带水印或敏感内容，需求人工复核的。
那个数字比他们岁首年月的预估低了四成。成绩不能是数量只剩。图像模子对锻炼数据集的散布极端敏感。人脸、手部、文字场景的样本，一旦偏少，生乐成效就会隐现六指模锻、乱码招牌。某开源社区用50万张图片微调Stable Diffusion，人物肤色误差比本版更较着。数据标注员李敏告诉我的，她每天要处理3000张图片，其中三成需求重新打标签。“模子教不会没见过的炼数工具”。版权是另一个雷区。
Getty Images对一家AI公司的诉讼还正在增进。涉及数百万张图片。很多团队起头转背受权图库和合成数据。合成数据也有价格了，据集价格用AI生成的图片锻炼AI模子。几轮迭代后会隐现“模子瓦解”吧？
输出越来越单调。某创业公司检讨考试用纯合成数据集锻炼图像分类器的，精确率比实正在数据低了11个百分点。本钱账同样理想。
一张高量量标注图片的采购价正在0.3到1.5美圆之间，百万级数据集意味着数百万美圆收入了。年夜厂能够烧钱，小团队只能另辟路径了。数据寡包、主动进建、弱监视标注起头盛止。一位从业者讥讽了，“以前比谁模子年夜啊？
如今比谁数据净活干得好”监管也正在收紧啊？
欧盟AI法案要求披露锻炼数据集的版权滥觞，美国版权局多次强调“人类做者”门槛的。数据集的透明度述说正正在从加分项酿成必选项。对图像模子来说，下一轮合做不正在参数量，但正在数据集的合法性、多样性和清洗精度。谁能正在垃圾堆里炼出黄金啊？谁才有资格留正在牌桌上啊？
