“比大更大”（Biggerthanbigger）当年苹果的一句广告词，用来形容现在AI领域最热的大语言模型，看起来也没什么不对。从十亿、百亿再到千亿，大模型的参数走向逐渐狂野，相应的，用来训练AI的数据量，也以指数级暴增。
以OpenAI的GPT为例，从GPT-1到GPT-3，其训练数据集就从4.5GB指数级增长到了570GB。
不久前的Databricks举办的Data+AI大会上，a16z创始人MarcAndreessen认为，二十几年来互联网积累的海量数据，是这一次新的AI浪潮兴起的重要原因，因为前者为后者提供了可用来训练的数据。
但是，即便网民们在网上留下了大量有用或者没用的数据，对于AI训练来说，这些数据，可能要见底了。
人工智能研究和预测组织Epoch发表的一篇论文里预测，高质量的文本数据会在2023-2027年之间消耗殆尽。
尽管研究团队也承认，分析方法存在严重的局限，模型的不准确性很高，但是很难否认，AI消耗数据集的速度是恐怖的。
低质量文本、高质量文本和图像的机器学习数据消耗和数据生产趋势｜EpochAI
当“人类”数据用完，AI训练不可避免地，将会使用AI自己生产的内容。不过，这样的“内循环”，却会产生很大挑战。
不久前，来自剑桥大学、牛津大学、多伦多大学等高校的研究人员发表论文指出，用AI生成的内容作为训练AI，会导致新模型的崩溃。
所以，AI训练用“生成数据”会带来崩溃的原因是什么？还有救吗？
01AI“近亲繁殖”的后果
在这篇名为《递归的诅咒：用生成数据训练会使模型遗忘》的论文中，研究人员指出，“模型崩溃”是一个几代模型的退化过程。
前一代模型生成的数据，会污染下一代模型，经历几代模型的“传承”，它们就会错误地感知世界。
模型迭代示意图｜arxiv
模型崩溃分为两步：
在早期模型崩溃中，模型会开始失去原始数据的分布信息，也就是“干净的人类数据”；
在晚期，模型会把上几代模型对原始分布信息的“错误认知”纠缠到一起，从而曲解现实。
研究人员首先从头训练了小样本模型GMM（高斯混合模型）和VAE（变量自动编码器）。以GMM为例，下图最左是原始数据的正态分布。
可以看到，模型一开始对数据的拟合非常好。到第50次迭代时，基础数据分布开始被错误感知。当迭代来到2000次时，模型已经收敛到一个很小的点，这意味着模型开始稳定输出错误答案。
GMM在迭代0、50、100、150、200、350、2000时拟合数据的例子｜arxiv
为了验证预训练对实验结果的影响，研究人员又在Meta开发的1.25亿参数的LLM（大语言模型）OPT-125m上进行了实验，数据集来自维基百科的wikitext2。
和GMM、VAE这类小模型不同，LLM从头训练的成本非常高，所以它们都是经过预训练的。实验结果如下：
输入：根据PoyntzWright的说法，在1360年之前有些活动通常由一位主要石匠和一小队流动的石匠完成，辅以当地教区劳工。但其他作者则否认了这种模式，相反提出主建筑师借鉴英国垂直式风格设计了教区教堂的尖塔。
输出：
第0代：复兴建筑，例如伦敦的圣约翰大教堂。现存最早的垂直复兴建筑可以追溯到[email protected]@世纪的根西岛圣母教堂，该教堂建于19世纪末。有两种类型的垂直式教堂：那些
第1代：建筑，如罗马的圣彼得大教堂或布宜诺斯艾利斯的圣彼得大教堂。没有证据表明这些建筑是在教皇英诺森三世统治时期建造的，但有可能是在他的继任者英诺森教皇统治时期建造的。
第7代：英国的建筑。在接受《纽约时报》采访时，赖特说："我不认为我能够做我想做的事情有什么问题。它只是对我不起作用。"他补充说："我不知道你是否可以称之为有趣、
第9代：建筑。除了成为全球黑@-@尾巴大野兔、白@-@尾巴大野兔、蓝@-@尾巴大野兔、红@-@尾巴大野兔、黄@-的最大栖息地之一
可以看到，到第9代模型时，输出的内容已经完全不知所云。
论文的作者之一IliaShumailov说，随着时间的推移，人工智能生成的数据中的错误不断累积，主要的模型在接受这些数据的训练后，会对现实产生更加扭曲的看法。
02为什么会模型崩溃？
“模型崩溃”产生的最主要原因，还是因为AI并非真正的智能，它展现出的近似“智能”的能力背后，其实是基于大量数据的统计学方法。
基本上，所有无监督机器学习算法都遵循一条简单的模式：给定一系列数据，训练出一个能描述这些数据规律的模型。
这个过程中，训练集里更大概率出现的数据就更容易被模型重视，小概率出现的数据就会被模型低估。
举个例子，假设我们需要记录100次骰子的投掷结果，来计算每个面出现的概率。理论上，每个面出现的概率是一样的。在现实生活中，由于样本量较小，可能3、4出现的情况比较多。但对于模型而言，它学习到的数据就是3、4出现的概率更高，因而会倾向于生成更多的3和4的结果。
“模型崩溃”示意图｜arxiv
另一个次要原因是函数近似误差。也很好理解，因为真实函数往往很复杂，实际运用中，经常使用简化的函数来近似真实函数，这就导致了误差。
03真没招了吗？杞人忧天！
所以，在人类数据越来越少的情况下，AI训练真的没机会了吗？
并不是，用于训练AI数据枯竭的问题，还有方法能解决：
数据“隔离”
随着AI越来越强大，已经有越来越多的人开始使用AI辅助自己工作，互联网上的AIGC爆炸式增长，“干净的人类数据集”可能会越来越难以找到。
Google深度学习研究部门Google大脑GoogleBrain的高级研究科学家DaphneIppolito就表示，在未来，要找到高质量、有保证的无人工智能训练数据将变得越来越棘手。
这就好比是一个患有高危遗传病的人类始祖，但是又拥有极其强大的繁殖能力。在短时间内他就把子孙繁衍到了地球每一个角落。然后在某一时刻，遗传病爆发，人类全体灭绝。
为了解决“模型崩溃”，研究团队提出的一种方法是“先行者优势”，也就是保留对干净的人工生成数据源的访问，将AIGC与之分隔开来。
同时，这需要很多社区和公司联合起来，共同保持人类数据不受AIGC污染。
不过，人类数据的稀缺意味着这其中有利可图，已经有一些公司行动起来了。Reddit就表示将大幅提高访问其API的费用。该公司的管理人员表示，这些变化(在一定程度上)是对人工智能公司窃取其数据的回应。Reddit创始人兼首席执行官SteveHuffman告诉《纽约时报》:“Reddit的数据库真的很有价值。”“但我们不需要把所有这些价值都免费提供给一些全球最大的公司。”
合成数据
同时，专业基于AI生成的数据，早已有效用于AI的训练。在一些从业者看来，现在担心AI生成的数据会导致模型崩溃，多少有点“标题党”。
光轮智能创始人谢晨光告诉极客公园，国外论文提到的，用AI生成数据训练AI模型导致崩溃，实验方法比较偏颇。即便是人类数据，也有能用和不能用之分，而论文提到的实验，则是不加分辨地直接用来训练，而并非有针对性的经过质检、效用性判定后作为训练数据，显然有可能会造成模型崩溃。
谢晨透露，其实OpenAI的GPT-4，就采用了大量前一代模型GPT-3.5生产的数据来进行训练。SamAltman也在近期的采访中表达，合成数据是解决大模型数据短缺的有效方法。而其中的关键在于，有一整套体系来区分AI生成的数据中，哪些可用，哪些不可用，并不断根据训练后模型的效果进行反馈——这是OpenAI能笑傲AI江湖的绝招之一，这家公司并不只是融的钱多，买的算力多这么简单而已。
在AI行业内，使用合成数据来进行模型训练，早已经成为一个尚未为外人所知的共识。
曾经在英伟达、Cruise、和蔚来等公司负责自动驾驶仿真的谢晨认为，以目前各种大模型训练的数据量来看，未来2-3年，人类数据确实有可能“枯竭”，但是基于专业化体系和方法，AI生成的合成数据，会成为用之不竭的有效数据来源。并且使用场景并不局限于文字和图片，像自动驾驶、机器人等行业需要的合成数据量，将远远大于文本的数据量。
AI三要素，数据、算力、算法，数据来源有着落了，算法大模型在不断进化，唯一剩下的算力压力，相信英伟达创始人黄仁勋是可以顺利解决的。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】