LAION（大型人工智能开放网络）近日发布了Big Video Dataset（BVD），这是一个面向AI研究的开源视频数据集，规模空前。该数据集包含8000万段视频，总时长达到1000万小时，并配有5500万条自动生成的描述。这一发布有望为视频理解、生成和多模态模型训练提供新的数据基础。
发生了什么
根据The Decoder的报道，LAION的BVD数据集是目前最大的开源视频数据集之一。其核心数据包括：8000万段视频、1000万小时的总时长，以及5500万条自动生成的视频描述。这些描述可能通过现有的视觉-语言模型自动生成，用于提供文本-视频对齐的监督信号。
报道还提到，基于BVD训练的模型在相关基准测试中表现优于之前的领先数据集InternVid，性能提升最多达2.1个百分点。InternVid是此前广泛使用的视频-文本数据集，由上海人工智能实验室等机构发布。BVD的出现意味着在视频-语言任务上，开源社区有了新的数据选择。
在法律层面，LAION可能援引2024年汉堡法院的一项裁决，该裁决允许在非商业目的下收集受版权保护的内容。这为BVD的数据来源提供了一定的法律依据，但也可能引发后续争议。
为什么重要
视频数据的规模和质量是训练高性能视频AI模型的关键瓶颈。与图像数据相比，视频数据不仅数量少，而且标注成本极高。LAION此前在图像领域通过发布LAION-5B等数据集，推动了Stable Diffusion等模型的快速发展。此次BVD的发布，意图将同样的开源策略复制到视频领域。
BVD的规模远超现有开源视频数据集，例如InternVid（通常包含数百万视频片段）。1000万小时的总时长意味着模型可以接触更丰富的动态场景和时序模式，这对于视频理解、动作识别、视频生成等任务至关重要。同时，自动生成的描述虽然可能带有噪声，但大规模弱监督信号已被证明在图像领域有效，视频领域也可能受益。
此外，BVD的开放获取特性降低了研究门槛，使得中小型研究团队和独立开发者也能参与视频AI的前沿研究，而不必依赖大厂的私有数据。
影响与看点
对开发者而言，BVD提供了一个现成的、大规模的视频-文本训练资源，可用于微调视频理解模型或训练视频生成模型。但需要注意，数据集的清洗和过滤可能仍需额外工作，因为自动描述可能包含错误或偏见。
对行业而言，BVD可能加剧视频AI领域的竞争，尤其是与闭源数据集和商业模型（如OpenAI的Sora）的竞争。开源社区有望基于BVD训练出更强大的视频模型，推动视频生成技术的民主化。
值得关注的点包括：
- 数据集的版权风险：尽管有汉堡法院的裁决，但大规模抓取视频可能仍面临法律挑战，尤其是在其他司法管辖区。
- 数据质量：自动生成的描述质量如何？是否足以训练出高精度的视频-语言模型？
- 基准测试的公平性：BVD模型在基准上的提升是否具有普遍性，还是仅针对特定任务？
独立判断：BVD的发布是视频AI开源生态的重要里程碑，但其长期价值取决于数据质量、法律合规性以及社区能否在此基础上构建出有影响力的模型。未来，视频数据的竞争将不仅关乎规模，更关乎数据的多样性和标注的精细度。
