2021年7月9日，第四屆人工智能大會在上海火熱持續，全球AI領域產學研各界大佬在此云集，突破300家科技企業在線下深度參與。一場名為“AI時代數據開放共享”的創新論壇將數據生態新活力引入高潮。AI創新明星企業格物鈦受邀出席，創始人兼CEO崔運凱發表主題演講，從全球視野分享格物鈦對于未來AI創新格局的看法，以及開源軟件和開放數據對于未來格局的影響。崔運凱表示：“開源軟件讓科技創業變得可能，如果說在AI時代數據就相當于代碼，那么開源數據之于AI的影響力和作用，絲毫不亞于開源軟件之于應用的影響力和作用。”

以下為格物鈦創始人兼CEO崔運凱演講全文：

各位領導和嘉賓們，大家上午好。我是格物鈦的創始人兼CEO崔運凱。很高興受到上海白玉蘭開源開放研究院的邀請，有機會跟大家分享格物鈦對于未來AI創新格局的看法，和開源軟件及開放數據對于這個格局的影響。

在分享開頭，我想和大家講幾個創業故事。第一個創業故事就是馬克·扎克伯格創立Facebook的故事。大家都知道扎克伯格是在大學的宿舍里寫了第一版Facebook的程序。但是大家可能不知道的是他使用了PHP編程語言、使用了MySQL數據庫，和Linux操作系統來為他的服務做托管。而這里的PHP、MySQL和Linux都是開源軟件。

第二個創業故事我要分享的是一家國內非常知名的企業，張一鳴的今日頭條。張一鳴創業的時候就要幸運得多，有更多的技術可以使用。比如說消息隊列，他們使用了Kafka，大數據分析系統用了Hadoop，數據庫用了MongoDB，內存加速使用了Redis。同樣的，這些也都是開源軟件。

跟大家分享上面兩個故事實際上是想引出我們對于過去20年科技創新驅動力的觀察，那就是開源軟件讓科技創業變得可能。沒有開源軟件，全球就不會有這么多科技公司的涌現，更不會有這么多便捷的產品，豐富我們的生活。

然而科技還在繼續進步，工作和生活的組織形式還在不斷進化。我們從PC互聯網時代，進入到了移動互聯網時代，再進而向著人工智能的時代進化。如果說軟件開源是PC和移動時代創新的動力，那么什么是AI時代的創新動力呢？這是我們不斷在思考并且追問自己的。我想用另外幾個故事，引出我們對這個問題的答案。

第一個故事發生在計算機視覺領域。2009年斯坦福的李菲菲教授發布了一個公開數據集，這個數據叫ImageNet。它的發表推動了計算機視覺的飛速發展。這個數據集包含1400百萬張圖片，發布至今被引用了29000多次。而今天大家體驗到的人工智能熱潮，其實也是被一篇叫AlexNet的論文帶起來的。通過使用卷積神經網絡，它大規模地提升了計算機視覺識別算法的性能。更是比排名第二的算法的精確度高了40%。

第二個故事我想跟大家分享的發生在自然語言處理領域。斯坦福大學的科學家Jure在2013年發布了一個叫做亞馬遜評論的公開數據集。這個數據集涵蓋了從1994年到2013年在亞馬遜網站上的一共一億四千三百萬條評論。這個數據集的發表也極大推動了自然語言處理領域的創新。圖靈獎獲得者Yann LeCun也將卷積神經網絡模型應用在了這個數據及上，取得了非常不錯的效果。他不僅推動了算法的發展，也推動了算力的發展。英偉達在2018年完成了LSTM（長短記憶模型）在整個數據集上的訓練，這個訓練用了分布式的顯卡資源，只用了4個小時。而之前訓練同樣的模型，需要數月時間。

同樣的故事也發生在語音處理領域。TIMIT數據集的發表，讓因素識別模型的預測準確性從過去10年的78%提高到了92.85%。最近幾年火熱的無人駕駛也有很多類似的例子，比如說KITT數據集。KITTI數據集的誕生和基于KITTI數據集做的大量算法的研究，為今天無人駕駛的發展奠定了基礎。

剛剛講了這么多在AI不同領域的驅動力故事，實際上是想引出我們對于什么是AI時代創新驅動力的回答——那就是開源數據。如果說在AI時代，數據就相當于代碼；那么開源數據之于AI的影響力和作用，絲毫不亞于開源軟件之于應用的影響力和作用。

雖然開源數據將會成為未來驅動AI創新的核心驅動力，但并不意味著開源一個數據集就是一件簡單的事情。我們觀察到做數據開源至少有四個痛點：

1、協議痛點：數據和軟件一樣，都有版權，但是開源數據并不像開源軟件那樣有相對標準的協議；

2、運營痛點：當一個數據集開放后，運營以這個數據集為核心的社區，并吸引足夠多的關注者，也是一件非常有挑戰的事情；

3、數據標準：數據以什么樣的格式向公眾開放，方便社區成員使用，其實也沒有通用的國際標準。最后數據的開放方還要開發并提供SDK，才能讓用戶方便使用開放的數據；

4、資金來源：ImageNet從想法到最后的發布，歷時3年才最終完成，這里少不了數據的采集、清洗、標注等工作，而所有這些工作都需要資金的支持，才能完成。而如何籌措這些資金，可能會成為數據開源的影響因素。

中國的數據開源又有一些自身的獨特點，其中包括但不限于：

中國的數據開源起步比較晚。現在世界知名的公開數據集基本都是海外機構發布和分享的。國內只有最近幾年才開始有學術機構和企業開始做類似的嘗試。比如說去年年底由我們格物鈦發起的尋集令計劃，就是其中的嘗試之一；

雖然中國AI應用有大量的場景，但是現在國內機構和企業發布的公開數據卻沒有涵蓋那么多場景。豐富度還是遠遠不足的；

同時國內的從業者，或者是場景的擁有方，對于數據開放的認識不足，或對于創新應用沒有規劃，也是導致現在國內開放數據不足的重要原因。

在這次活動中發布的《木蘭-白玉蘭開放數據許可協議》標志著一個很好的開始，也推動著中國的數據開源邁出了非常重要的一步。我們堅信開發數據協議的發布和推廣，可以很好地降低數據開源的壁壘。在海外，開源軟件的協議已經標準化，并整合進三個標準的協議，MIT、BSD和GPL，但是開源數據協議卻沒有一個統一的標注，處在多個協議并存的階段。這為數據的開放增加了很多難度。

剛才講了這么多數據開源的挑戰和痛點，我也想借此機會分享格物鈦在做哪些事情，如何幫助全球的AI社區解決這些痛點。格物鈦為全球開發者、場景和數據的擁有者提供了一個開放數據托管和協作的平臺。我們支持開源數據在我們平臺上的免費托管。不僅如此，我們為數據的擁有者可以更好地運營社區，開發了很多產品的功能，包括開源數據協議結構化和可視化，方便數據集的使用者快速了解自己使用數據的權限。同時我們有很多和社區交互相關的功能和版塊，方便數據集的擁有者直接并且快速地提供社區支持，和激發社區的貢獻活躍。最后我們提供了團隊協作能力，方便社區用戶可以一起完成開源數據相關的任務。這一切的功能，都是希望將開源數據的發布和使用的門檻降低。

格物鈦的產品幫助企業和數據的擁有者降低了開源數據的門檻，但是真正讓企業做出開放數據決定的，還是要讓企業清楚如何通過開源數據獲得成功。我們分析了大量開源數據和開源軟件的案例，發現開源數據至少可以在如下5個方面幫助企業獲得成功：

1、幫助企業發現積累數據的新創新應用，幫助企業可以拓寬產品線或者改善現有產品，提供更好的用戶體驗；

2、發現新的商業機會，包括銷售線索的獲得；

3、幫助將企業內部的標準推動成全社區的標準，因為一個數據被使用的多了，它的組織形式就會成為事實的標準；

4、幫助企業吸引人才，優秀的人才會因為數據的應用潛力而加入一家公司，或者公司可以發現社區中最具有潛力的人才；

5、提升公司品牌，比如你在做無人駕駛，你發布的數據集中有大量的長尾場景，例如突然過馬路的小動物，這些場景被識別并被追蹤，會讓用戶體會到品牌帶來的安全感。

在我演講的最后，我想分享一些我對數據開源和AI行業未來的一點看法。AI行業正在由以模型為中心的開發模式，向著以數據為中心的開發模式遷移。在未來以數據為中心的開發模式中，數據必然會扮演越來越重要的角色。開源數據從來都不是呼吁企業開源全部數據，而是將一部分場景中的一部分數據進行開源。即便是其中很小的一部分場景化的數據被開源，也會給AI的發展帶來巨大價值。

我想借此機會發出呼吁：格物鈦希望和大家一起出發，通過開放更多的數據和創造更活躍的社區，來改變未來基于人工智能的全球創新。謝謝大家！