全球數據告急，怎么辦？

論文來湊！

最近，Nature的一篇文章向我們揭露了這樣一個事實：連科研論文，都被薅去訓AI了……

據悉，很多學術出版商，已經向科技公司授權訪問自家的論文，用來訓練AI模型。

一篇論文從醞釀idea到成稿，包含了多少作者日日夜夜的心血，如今很可能在不知情的情況下，就成為訓AI的數據。

這合理嗎？

更可氣的是，自己的論文還被出版商拿來牟利了。

根據Nature報告，上個月英國的學術出版商Taylor & Francis已經和微軟簽署了一項價值1000萬美元的協議，允許微軟獲取它的數據，來改進AI系統。

而6月的一次投資者更新顯示，美國出版商Wiley允許某家公司使用其內容訓模型后，直接一舉豪賺2300萬美元！

但這個錢，跟廣大論文的作者是半毛錢關系都沒有的。

而且，華盛頓大學AI研究員Lucy Lu Wang還表示，即使不在可開放獲取的存儲庫內，任何可在線閱讀的內容，都很可能已經被輸入LLM中。

更可怕的是，如果一篇論文已經被用作模型的訓練數據，在模型訓練完成后，它是無法刪除的。

如果現在，你的論文還尚未被用于訓練AI，那也不用擔心——它應該很快就會了！

數據集如黃金，各大公司紛紛出價

我們都知道，LLM需要在海量數據上進行訓練的，而這些數據通常是從互聯網上抓取的。

正是從這些訓練數據中數十億的token中，LLM推導出模式，從而生成文本、圖像、代碼。

而學術論文篇幅又長，信息密度又高，顯然就是能喂給LLM的最有價值的數據之一。

而且，在大量科學信息上訓練LLM，也能讓它們在科學主題上的推理能力大大提高。

Wang已經共同創建了基于8110萬篇學術論文的數據集S2ORC。起初，S2ORC數據集是為了文本挖掘而開發的，但后來，它被用于訓練LLM。

2020年非營利組織Eleuther AI構建的Pile，是NLP研究中應用最廣泛的大型開源數據集之一，總量達到800GB。其中就包含了大量學術來源的文本，arXiv論文比例為8.96%，此外還涵蓋了PubMed、FreeLaw、NIH等其他學術網站。

前段時間開源的1T token數據集MINT也挖掘到了arXiv這個寶藏，共提取到了87萬篇文檔、9B token。

從下面這張數據處理流程圖中，我們就能發現論文數據的質量有多高——幾乎不需要太多的過濾和去重，使用率極高。

而現在，為了應對版權爭議，各大模型公司也開始真金白銀地出價，購買高質量數據集了。

今年，「金融時報」已經把自己的內容以相當可觀的價格，賣給了OpenAI；Reddit也和谷歌達成了類似的協議。

而以后，這樣的交易也少不了。

證明論文曾被LLM使用，難度極高

有些AI開發者會開放自己的數據集，但很多開發AI模型的公司，會對大部分訓練數據保密。

Mozilla基金會的AI訓練數據分析員Stefan Baack表示，對于這些公司的訓練數據，誰都不知道有什么。

而最受業內人士歡迎的數據來源，無疑就是開源存儲庫arXiv和學術數據庫PubMed的摘要了。

目前，arXiv已經托管了超過250萬篇論文的全文，PubMed包含的引用數量更是驚人，超過3700萬。

雖然PubMed等網站的一些論文全文有付費墻，但論文摘要是免費瀏覽的，這部分可能早就被大科技公司抓取干凈了。

所以，有沒有技術方法，能識別自己的論文是否被使用了呢？

目前來說，還很難。

倫敦帝國理工學院的計算機科學家Yves-Alexandre de Montjoye介紹道：要證明LLM使用了某篇確定的論文，是很困難的。

有一個辦法，是使用論文文本中非常罕見的句子來提示模型，看看它的輸出是否就是原文中的下一個詞。

有學者曾以「哈利·波特與魔法石」第三章的開頭提示GPT-3，模型很快正確地吐出了大約一整頁書中的內容

如果是的話，那就沒跑了——論文就在模型的訓練集中。

如果不是呢？這也未必是有效證據，能證明論文未被使用。

因為開發者可以對LLM進行編碼，讓它們過濾響應，從而不和訓練數據過于匹配。

可能的情況是，我們費了老大勁，依然無法明確地證明。

另一種方法，就是「成員推理攻擊」。

這種方法的原理，就是當模型看到以前見過的東西時，會對輸出更有信心，

論文地址：https://arxiv.org/abs/2112.03570

為此，De Montjoye的團隊專門開發了一種「版權陷阱」。

論文地址：https://arxiv.org/abs/2402.09363

為了設置陷阱，團隊會生成看似合理卻無意義的句子，并將其隱藏在作品中，比如白色背景上的白色文本或網頁上顯示為零寬度的字段。

如果模型對未使用的控制句的困惑度，比對隱藏在文本中的控制句的困惑度更高，這就可以作為陷阱曾被看到的統計證據。

版權爭議

然而，即使能證明LLM是在某篇論文上訓練的，又能怎么辦呢？

這里，就存在一個由來已久的爭議。

在出版商看來，如果開發者在訓練中使用了受版權保護的文本，且沒有獲得許可，那鐵定就是侵權。

但另一方卻可以這樣反駁：大模型并沒有抄襲啊，所以何來侵權之說？

的確，LLM并沒有復制任何東西，它只是從訓練數據中獲取信息，拆解這些內容，然后利用它們學習生成新的文本。

當然，這類訴訟已經有先例了，比如「紐約時報」對OpenAI那場石破天驚的起訴。

其中更加復雜的問題，是如何劃清商用和學術研究用途。

根據目前arXiv網站上的使用條款，如果是個人或研究用途，抓取、存儲、使用所有的電子預印本論文和網站元數據都是合規且被支持的。

然而，arXiv對商業方面的使用是嚴令禁止的。

那么問題來了，如果某個商業公司使用了學術機構發布的開源數據集訓練自己的商業模型，且數據來源含有arXiv或類似學術出版機構，這怎么算？

此外，出版商在用戶的訂閱條款中往往也沒有明確規定，能否將論文用作模型的訓練數據。

比如，一個付費購買Wiley論文庫閱讀全文資格的用戶，是否被允許將這些文本拷貝下來喂給模型？

現在的問題是，有人想讓自己的作品納入LLM的訓練數據中，有人不想。

有人已經做出來一個[haveibeentrained」的同名網站，用來檢測自己的內容是否被用于訓練AI模型

比如Mozilla基金會的Baack就表示，非常樂于看到自己的作品讓LLM變得更準確，「我并不介意有一個以我的風格寫作的聊天機器人」。

但是，他只能代表自己，依然有其他很多藝術家和作家，會受到LLM的威脅。

如果提交論文后，這篇論文的出版商決定出售對版權作品的訪問權限，那個別的論文作者是根本沒有權力干涉的。

整個圈子也是魚龍混雜，公開發表的文章既沒有既定的方法來分配來源，也無法確定文本是否已被使用。

包括de Montjoye在內的一些研究者對此感到沮喪。

「我們需要LLM，但我們仍然希望有公平可言，但目前我們還沒有發明出理想的公平是什么樣子。」

多模態數據不夠，arXiv來湊

事實上，龐大的arXiv論文庫中，可以利用的不止文本數據。

ACL 2024接收了一篇來自北大和港大學者的論文，他們嘗試利用這些論文中的圖文構建高質量多模態數據集，取得了非常不錯的效果。

項目主頁：https://mm-arxiv.github.io/

前段時間，紐約大學謝賽寧教授和Yann LeCun等人發布的Cambrian模型也用到了這個數據集。

之所以要用arXiv論文中的圖片，主要還是由于科學領域訓練數據集的稀缺。

GPT-4V等視覺語言模型雖然在自然場景的圖像中有出色的表現，但在解釋抽象圖片方面，比如幾何形狀和科學圖表，依舊能力有限，也無法理解學術圖片中細微的語義差別。

這篇論文構建的多模態arXiv數據集總共用到了各個STEM領域的57.2萬篇論文，超過arXiv論文總數（2.5M）的五分之一，包含兩部分：問答數據集ArXivQA和圖片標注數據集ArXivCap。

依托arXiv大量且多樣的論文收錄，與之前的科學圖片數據集相比，ArXivCap的數據量是第二名SciCap的3倍，ArXivQA也是唯一涵蓋廣泛領域內真實論文的問答數據集。

通過使用這些領域特定數據進行訓練，VLM的的數學推理能力有了顯著增強，在多模態數學推理基準上實現了10.4%的準確率提升。

比如，在ArXivQA上訓練過的Qwen 7B模型能夠正確理解條形圖并回答相關問題（左圖），數學能力也有所提高（右圖）。不僅答案正確，給出的推理過程也更加完整充分。

數據集構建

數據集的構建流水線如下圖所示。由于arXiv是預印本平臺，所以需要先通過發表記錄篩選出被期刊或會議接收的論文，以保證數據質量。

提取論文中的圖片-文字對并進行基于規則的清理后，組成ArXivCap；ArXivQA則由GPT-4V生成，但使用了精心設計過的prompt模板。

ArXivCap中的一個單圖標注對：

2019年論文「Semigroup models for biochemical reaction networks」

ArXivCap數據集中的一個多圖標注對：

2018年論文「Low-Power Wide-Area Networks for Sustainable IoT」

ArXivQA數據集示例：

2020年論文「Skyrmion ratchet propagation: Utilizing the skyrmion Hall effect in AC racetrack storage devices」

評估

根據在MathVista數據集上的結果，ArXivCap和ArXivQA共同提升了Qwen-VL-Chat的整體性能，超越了Bard的表現。

最佳結果以粗體顯示，次佳結果以下劃線標記

在為單張圖片生成圖注的任務中，提升效果更加顯著，經過ArXivCap訓練的Qwen 7B模型可以匹配甚至超過GPT-4V。

灰色結果由數據集中500個樣本的測試得到

論文提出了三個新定義任務：多圖的圖注生成、上下文中的圖注生成以及標題生成。經過ArXivCap訓練的Qwen 8B的所有分數都超過了GPT-4V，且多數情況下是最佳結果。

最佳結果以粗體顯示

按照研究領域劃分，ArXivQA數據集上的訓練在天體物理、凝聚態物理、數學、計算機科學這些領域都能帶來相當顯著的提升，超過60%，準確率變化比例超過60%。

人工評估

前面所述的文本生成質量和準確率都是基于算法的自動評估，研究團隊還對單圖的圖注生成任務進行了人工評估，但只專注于計算機科學領域的論文。

與前面的基準測試結果相比，人工評估的結果并不理想，100個案例中只有16%被認為是「可接受的」，「上下文誤讀」的問題相對嚴重，也有一定比例的「過度簡化」和「識別錯誤」。