百度被网暴，AI大模型“套皮”海外知名项目，百度首次回复：假的 当前热文

图片来源：无界AI画绘画工作生成

3月16日，百度创始人李彦宏做了大语言模型“文心一言”的发布会。

(资料图)

结果，观众只记住了白衬衫和白腰带，并且纷纷表示好奇，李彦宏保养的不错。然后感慨，Robin Li与其分享百度雄心勃勃的语言大模型，不如讲一讲如何保养，搞不好还能带个货，股价也许就上去了。

虽然，网络上键盘侠吐槽很多，但还是有很多媒体写到：《中国百度硬刚chatGPT，国产之光》。没办法，AI这个领域，好像只有百度能打，起码，大部分公众的认知是这样。

如果说16日发布会后公众的态度是希望百度扛起对线chatGPT的大旗。这两天，画风变了，吐槽排山倒海而来，可以说是怒其不争了。

首先是一批图片，显示文心一言理解能力很差。

另外，还有一批图片，更是把文心一言给狠狠锤了一把。大意是说，文心一言更懂英文，不懂中文。直言百度作假，文心一言是套壳了chatGPT，水货。那么，真的是这样子吗？

01 百度文心一言被爆锤，国产都不行？

微博账号“刘大可先生”锤百度的文字被传播得很广，光点赞就有2.2万。

他是这么说的：百度这个所谓的人工智能，其实就把中文句子机翻成英语单词，拿去用国外刚刚开源的人工智能“Stable Diffusion”生成了图画，再返回给你，说是自己画的。

他给出的理由有很多，这里仅举一个例子。

上图，“刘大可先生”的要求是画“云中的平面”，结果文心一言画了个飞机，“刘大可先生”说，这是因为“云中的平面”机翻之后是“plane in cloud”，所以文心一言背后的英语的人工智能当然会画个飞机。下面这张图在社交网络传播非常广，揭示的“真相”与上文是一样的。

自从chatGPT诞生后，以及包括一系列AI画图软件，像Stable-Diffusion、Midjourney、DALLE等诞生以来，我们其实看到了很多的应用，底层都是这些开源的模型。但是通过“汉化”，可以给中国的用户带来很好的体验。

百度的文心一言是不是也这样？这个“判断”可能是武断的。

2月20日晚间，复旦大学邱锡鹏教授团队发布国内首个类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，阿里达摩院低调地在魔搭社区（ModelScope）放出了“文本生成视频大模型”。结果，这个大模型也是更懂英文，有体验者写到，他输入提示词：A panda eating bamboo on a rock。77秒后，大模型给出了一个2秒的熊猫吃竹子视频。如果换成中文：一只大熊猫坐在岩石上吃竹子。出来的结果就是一只类似于猫咪的小动物。离题万里。

02 中文数据天生缺陷？

为什么会这样呢？在微博账号“刘大可先生”爆锤百度的微博文字下面，第一个留言的名叫“欧阳少悭"，他说，文心一言出现这种情况的因为在于，目前开源的图文数据大部分是英文的，可以参考LAION这个开源数据库，所以目前的diffusion model基本都是英文驱动，这也导致了“刘大可先生”说的怪异现象。

“当然，我们期待同等规模的中文开源数据库的出现。stable diffusion是一种网络结构，开发者完全可以使用LAION数据集和sd结构训练一个自己的网络，不需要套皮。”他说。

23日中午，百度官方公众号发了一则声明，写到：“文心一言完全是百度自研的大语言模型，文生图能力来自文心跨模态大模型ERNIE-ViLG。在大模型训练中，我们使用的是全球互联网公开数据，符合行业惯例。大家也会从接下来文生图能力的快速调优迭代，看到百度的自研实力。”

有从业者称，这基本等于承认使用了LAION。LAION，这是目前最为知名的大规模图文多模态数据集。作为一个非营利性组织，LAION提供数据集、工具和模型来解放机器学习研究。官网写到：我们通过这样做，鼓励开放的公共教育，并通过重用现有数据集和模型来更环保地使用资源。

从这个角度理解，说文心一言“套皮”或许还是比较武断的。到底是不是“套皮”，或者百度的语言大模型在技术上有没有参考海外项目？我们还要等待更多的来自行业的披露信息。

但是，这个事情从侧面肯定能说明一个问题，虽然，我们一直强调中国有海量的数据，但企业的实践却表明：不好用。

复旦MOSS大模型被质疑中文水平不如英文时，MOSS研究团队就坦承，“MOSS的英文回答水平比中文高，因为它的模型基座学习了3000多亿个英文单词，中文词语只学了约300亿个。”

而澎湃新闻采访了粤港澳大湾区数字经济研究院（IDEA）认知计算与自然语言中心文本生成算法团队负责人王昊，他说：“数据质量的差别是主要瓶颈之一。相较于英文数据，中文数据的开源程度较低，导致中文数据集的规模相对较小。此外，英文作为科研主流语言，在学术界和工业界中得到广泛应用，积累了大量高质量的语料数据，这为英文自然语言处理的研究提供了极大的优势。”

有一个数据很现实：虽然简体中文互联网用户和英文互联网用户规模相当，但在全球排名前1000万个网站中，英文内容占比60.4%，中文内容占比仅为1.4%。

这会是中国企业探索大语言模型的问题和瓶颈吗？可能也不是。或是观念，尤其是意识形态的阻碍更大。

中关村新场景MA Club发起人檀林在一次分享中质问：“做一个中国的大语言模型，自己给自己砌一道墙，和全球分开。就像做一个纯中文的操作系统一样，能有多大的意义？大家都知道，简体中文的数据质量很差，语料库的知识含量和价值已经比海外的几个大语言模型要低得多了，所以如果现在还非要给自己一个束缚的话，我觉得这种态度在开局就输了。”

中国企业要想在大语言模型的赛道分一杯羹，蹚出一条路，使用英文数据是不得已，没办法。当然，我们显然更期待中文数据领域能有更好的发展。

关键词：