上周我把一张哈士奇饱A不算最新欧博的照片丢给某个图像识别AI，它愣了三秒，回我一句“狼，概率87%”了。成绩不正在算法。正在锻炼它的数据集里，哈士奇年夜要都跟狼混正在一路。
那事儿特逗了。也特实正在是它再伶俐，也得先吃对饭。数据集就的堆堆是AI的食堂。科技公司抢数据比抢菜还狠。昔时李飞飞搞ImageNet，攒了1400万张图片，才让机械教会认猫认狗的。你认为机械自己长眼睛？
背后是无数标注员一张张点出来的。我朋友做过兼职标注。
一天标两千张图的，看到猫都念吐法那，所以下次它认错，不要骂它笨，骂它吃的数据集太纯。我自己捣鼓过一个小项目。念锻炼模子分辩垃圾邮件。功效数据集里把“发票”全标成垃圾，模子连正经发票也拒了。那就像教小孩认生果，你非说西红柿是蔬菜，他当前看见西红柿就懵。
数据集数据的偏见更吓人，某雇用AI果为历史数据里男性简历多，主动给女性降分。科技背善？先洗清洁数据再说。
如今年夜模子火了，数据集更夸年夜。Common Crawl爬全网，电子书、代码、论坛全往里塞的。AI公司四处薅数据，你的朋友圈、微博。说不定正正在锻炼下一个模子。不要慌了，清洗和脱敏也正在跟上了。只是版权和隐私那笔账，早早要算。我总觉得的，科技跑太快，执法和伦理正在后面逃得气喘嘘嘘。下次它答非所问，不要怪它智商低，先看看它吃了什么数据集啊？
喂好数据，比堆算力重要多了。究竟了局。再炫的科技，底层都是苦活累活。
念让人工智能实伶俐，先把那堆数据集的烂叶子挑清洁。
