谷歌AI又成了話題。Reddit網(wǎng)友找到了谷歌AI一個名叫Conceptual Captions的數(shù)據(jù)集，發(fā)現(xiàn)該數(shù)據(jù)集并不完善，于是乎聯(lián)系谷歌AI相關(guān)人員，卻慘遭三連拒。

向來提倡open的谷歌，現(xiàn)在也玩兒“自閉”？

昨天谷歌AI大佬Jeff Dean剛剛發(fā)表長文總結(jié)了2018年的主要研究成果，其中包括“開源軟件和數(shù)據(jù)集”：

發(fā)布開源軟件和創(chuàng)建新的公共數(shù)據(jù)集是我們?yōu)檠芯亢蛙浖こ躺鐓^(qū)做出貢獻(xiàn)的兩種主要方式。

然而細(xì)心的Reddit網(wǎng)友卻發(fā)現(xiàn)，谷歌AI并沒有那么“開源”，反而還拒絕共享數(shù)據(jù)：

事情是這樣的。

這位網(wǎng)友發(fā)現(xiàn)了谷歌AI一個叫Conceptual Captions數(shù)據(jù)集相關(guān)的比賽，以及描述這個數(shù)據(jù)集的論文(ACL 2018)：

論文地址：

http://aclweb.org/anthology/P18-1238

在GitHub中對此數(shù)據(jù)集的描述為：一種包含330萬張圖像的大規(guī)模圖像數(shù)據(jù)集，專門用于機器學(xué)習(xí)圖像字幕系統(tǒng)的訓(xùn)練和評估。

GitHub地址：

https://github.com/google-research-datasets/conceptual-captions

然而，當(dāng)這位網(wǎng)友躍躍欲試想要拿這個數(shù)據(jù)集操練一番時卻發(fā)現(xiàn)了一些問題：這個數(shù)據(jù)集全部圖像都是托管的，一些鏈接現(xiàn)在已經(jīng)失效。

于是，這位網(wǎng)友開始試圖聯(lián)系谷歌AI相關(guān)人員。

結(jié)果，真可謂是大跌眼鏡。

慘遭三連拒，熱心研究者被潑冷水

第一拒：拒絕分享預(yù)訓(xùn)練模型

這就使得基準(zhǔn)測試和論文里的結(jié)果數(shù)字變得非常難以復(fù)現(xiàn)。畢竟，不是每個人都有1k的TPU。

地址：https://github.com/google-research-datasets/conceptual-captions/issues/3

問：哪里可以找到基于Conceptual Captions數(shù)據(jù)集的預(yù)訓(xùn)練模型(RNN-，Transformer-based)?

答：預(yù)訓(xùn)練模型沒有發(fā)布。

第二拒：拒絕分享與每個圖像關(guān)聯(lián)的Alt-text

諷刺的是，這篇論文標(biāo)題是“Conceptual Captions: A Cleaned, Hypernymed, Image Alt-text Dataset For Automatic Image Captioning”。

地址：https://github.com/google-research-datasets/conceptual-captions/issues/6

問：是否會發(fā)布與每個圖像關(guān)聯(lián)的Alt-text？用于生成字幕的代碼也會公開嗎？

答：沒有發(fā)布Alt-text或代碼的計劃。

第三拒：拒絕分享圖像/鏡像鏈接

這位網(wǎng)友表示：雖然我同意存在法律問題，但數(shù)據(jù)集中缺少數(shù)百張圖像，其他研究人員要想比較模型變得超級困難。

地址：https://github.com/google-research-datasets/conceptual-captions/issues/1

問：您能提供從tsv文件通過url下載圖像的示例代碼嗎？Python的urllib無法下載某些url (IOError: [Errno socket error] [Errno 110] Connection timed out)。但是我可以在瀏覽器中看到這些圖像。

答：謝謝你的關(guān)注！不幸的是，由于版權(quán)/法律問題，我們無法提供通過url從tsv文件下載圖像的代碼。

谷歌AI“自閉”拒共享，引網(wǎng)友熱議

這位熱心網(wǎng)友在慘遭三連拒后表示對這樣的事情非常痛心：

一篇數(shù)據(jù)集論文對于復(fù)現(xiàn)結(jié)果非常重要，如果存在阻礙數(shù)據(jù)集共享的法律問題，那么發(fā)表私人數(shù)據(jù)集論文就好了(有些領(lǐng)域不公開Alt-text），但基于一個不公開預(yù)訓(xùn)練模型、不完全共享的數(shù)據(jù)集舉辦挑戰(zhàn)賽，我認(rèn)為這就不太酷了。

而后，其它網(wǎng)友們也炸鍋了。

熱心網(wǎng)友1：_michaelx99

Deepmind的一些論文也是這樣，僅僅根據(jù)他們發(fā)表的論文，完全不可能把結(jié)果復(fù)現(xiàn)出來。我花了一段時間才意識到Arxiv或他們網(wǎng)站上的一篇“論文”并不是真正的出版物，因此它的主要目標(biāo)是展示公司已經(jīng)開發(fā)了某種能力。這與其他人能夠證實或否認(rèn)他們在科學(xué)過程中所做的事情關(guān)系不大。我并不是說大公司在網(wǎng)上發(fā)布的所有論文都是這樣，但正如你剛剛發(fā)現(xiàn)的，其中一些論文確實如此。

熱心網(wǎng)友2：duckbill_principate

據(jù)我所知，四分之一的ML論文本質(zhì)上是美化的廣告。

熱心網(wǎng)友3：GoAwayStupidAI

可重復(fù)性是科學(xué)的標(biāo)志。沒有這些數(shù)據(jù)，這個結(jié)果是不可復(fù)制的，所以科學(xué)會很糟糕。

熱心網(wǎng)友4：Silver5005

這是ML論文最大的問題。我一直在嘗試實現(xiàn)一個股票預(yù)測的LSTM，你可以找到數(shù)百篇論文都在做同樣的概念。但它們都沒有數(shù)據(jù)集，也不會談?wù)撍鼈內(nèi)绾吻謇砘驑?biāo)準(zhǔn)化它們的數(shù)據(jù)。

熱心網(wǎng)友5：duckbill_principate

人們不分享他們的模型、代碼或數(shù)據(jù)集，這本身并不困擾我。令我困擾的是，這種情況發(fā)生了，而這些論文仍然被接受。這是同行評審過程的絕對失敗，它的責(zé)任完全落在審查員(和我們)的肩上。這些論文是在信任的基礎(chǔ)上被接受的，在某些情況下甚至是權(quán)威(我們都知道，盡管存在著雙盲的本質(zhì)，但不難推斷出某些論文可能來自哪個群體)，這是絕對不可接受的。

這更接近于廣告而不是科學(xué)。

熱心網(wǎng)友6：epic

我不知道為什么有這么多谷歌的辯護者。這對科學(xué)和機器學(xué)習(xí)都不利。是的，我們都明白為什么，但這仍然很糟糕。特別是像這樣的論文，如果不能從數(shù)據(jù)中分離出來的話，再現(xiàn)性是非常困難的。有機會的組織和個人應(yīng)該以一個好榜樣來領(lǐng)導(dǎo)這個領(lǐng)域，而不是反過來。

對此，你怎么看？