智源AI研究院回应大模型论文学术争议

此前4月8日，Nicholas Carlini公开撰文，指控一篇于今年3月26日刊登在论文预印网站Arxiv的论文《关于“大模型”的路线图》（“A Roadmap for Big Model”）一文涉嫌严重抄袭。

该文是前不久国内外多家高校和企业共同完成的长达200页的学术综述论文，有多达100名作者，分别来自于清华大学、北京大学等国内高校，哥伦比亚大学、蒙特利尔大学等国外高校，字节跳动、华为、京东、腾讯等企业以及中科院和北京智源等机构。

Nicholas Carlini在文章《机器学习研究中的一个抄袭案例》（“A Case of Plagarism in Machine Learning Research”）中则详细列举了该论文存在大段抄袭其他论文的嫌疑，证据是大规模的文本重叠，疑似被剽窃的论文也包括他自己的论文“Deduplicating Training Data Makes Language Models Better”。

Nicholas Carlini在文章中解释，他们是在阅读这篇论文时发现很多语句都非常的熟悉，然后通过使用论文查重工具发现了更多的证据，进而准确定位《关于“大模型”的路线图》论文中和已有论文中存在剽窃嫌疑的文本内容。

澎湃记者发现，这篇被质疑的论文目前已经被其发表网站Arxiv在页面上备注了该文和Nicholas Carlini的论文有“文本重叠”（text overlap）。

此前3月31日，北京智源社区撰文以《如何炼大模型？200页pdf100+位作者19家单位！北京智源清华唐杰等发布》介绍该篇论文：

“随着以深度学习为代表的AI技术的快速发展，智能模型的训练应用模式逐渐由‘大炼模型’向‘炼大模型’转变。大模型研究在近年来发展迅速，模型的参数量以惊人的速度扩展。北京智源人工智能研究院最近发布的《A Roadmap for Big Model》由悟道大模型研究项目负责人，智源学术副院长，清华大学计算机系教授唐杰牵头，从大模型基础资源、大模型构建、大模型关键技术与大模型应用探索4个层面出发，对15个具体领域的16个相关主题进行全面介绍和探讨。非常值得关注。”

《关于“大模型”的路线图》中的研究主体“大模型”是近几年人工智能的热门关注领域。人工智能发展到今天，GPT和BERT等参数量巨大的模型被人们开发出来，他们在计算机视觉和自然语言处理等领域取得了前所未有的成就。同时，因为大模型参数量巨大，最近学术界开始将它们当作一类特别的人工智能模型进行研究。

在一篇去年发布的，由斯坦福教授李飞飞等领衔的约百名作者署名论文将此类模型称为“基础模型”（Foundation Model），这篇由清华主要参与的论文关注与此相同含义的“大模型”（Big Model）的未来研究路径。在清华的论文中，作者们介绍到“之前论文提及的'基础模型'在中文语境中也被称为‘大模型’”（“The mentioned foundation model is known as the BMs, and it is called Big Model in the Chinese context.” ）。

这起“涉嫌抄袭”事件在国外社交媒体上引起热议。滑铁卢大学教授Gautam Kamath表示，对于一篇有如此多作者的文章，他很惊讶没有一个作者注意到相似之处并且去改正它。