人工智能（AI）初創(chuàng)公司xAI創(chuàng)始人埃隆·馬斯克近日表示：“在AI訓練中，我們現(xiàn)在基本上耗盡了人類知識的累積總和。”之前研究也表明，人類生成的真實數(shù)據(jù)將在2到8年內(nèi)消耗殆盡。鑒于真實數(shù)據(jù)日益稀缺，為滿足AI的“胃口”，科技行業(yè)正轉(zhuǎn)向使用合成數(shù)據(jù)。

澳大利亞“對話”網(wǎng)站在本月稍早時間報道中指出，合成數(shù)據(jù)具有諸多優(yōu)勢，但過度依賴合成數(shù)據(jù)也可能削弱AI的精確性和可靠性。

圖片來源：物理學家組織網(wǎng)

合成數(shù)據(jù)應(yīng)運而生

以往，科技公司主要依賴真實數(shù)據(jù)來構(gòu)建、訓練和改進AI模型。真實數(shù)據(jù)是指由人類創(chuàng)建的文本、視頻和圖像。它們通過調(diào)查、實驗、觀察或挖掘網(wǎng)站和社交媒體等途徑被收集而來。

真實數(shù)據(jù)因蘊含真實事件以及其場景和背景而極具價值，但其并非盡善盡美。它可能摻雜拼寫錯誤、不一致或無關(guān)的內(nèi)容，甚至潛藏嚴重偏見，導(dǎo)致生成式AI模型在某些情況下創(chuàng)建的圖像僅展示男性或白人形象。

但真實數(shù)據(jù)日益匱乏，因為人類生成數(shù)據(jù)的速度趕不上AI不斷增長的需求。

美國開放人工智能研究中心聯(lián)合創(chuàng)始人伊利亞·蘇茨克維爾在去年12月舉行的機器學習會議上聲稱，AI行業(yè)已觸及他所稱的“數(shù)據(jù)峰值”，AI的訓練數(shù)據(jù)如同化石燃料一樣面臨著耗盡的危機。此外，有研究預(yù)測，到2026年，ChatGPT等大型語言模型的訓練將耗盡互聯(lián)網(wǎng)上所有可用文本數(shù)據(jù)，屆時將沒有新的真實數(shù)據(jù)可供使用。

為給AI提供充足的“養(yǎng)分”，一種由算法生成的、模仿真實世界情況的數(shù)據(jù)——合成數(shù)據(jù)應(yīng)運而生。合成數(shù)據(jù)是在數(shù)字世界中創(chuàng)造的，而非從現(xiàn)實世界收集或測量而來。它可以作為真實世界數(shù)據(jù)的替代品，來訓練、測試、驗證AI模型。

從理論上來說，合成數(shù)據(jù)為訓練AI模型提供了一種經(jīng)濟高效且快捷的解決方案。它有效解決了AI訓練使用真實數(shù)據(jù)時飽受詬病的隱私問題和道德問題，尤其是涉及個人健康數(shù)據(jù)等敏感信息時。更重要的是，與真實數(shù)據(jù)不同，合成數(shù)據(jù)在理論上可以無限供應(yīng)。

研究機構(gòu)高德納公司估計，2024年AI及分析項目使用的數(shù)據(jù)中，約60%是合成數(shù)據(jù)。到2030年，AI模型使用的絕大部分數(shù)據(jù)將是由AI生成的合成數(shù)據(jù)。

科技公司來者不拒

事實上，微軟、元宇宙平臺公司，以及Anthropic等眾多科技頭部企業(yè)和初創(chuàng)企業(yè)，已經(jīng)開始廣泛使用合成數(shù)據(jù)來訓練其AI模型。

例如，微軟在1月8日開源的AI模型“Phi-4”，便是合成數(shù)據(jù)攜手真實數(shù)據(jù)訓練的；谷歌的“Gemma”模型也采用了類似方法。Anthropic公司也利用部分合成數(shù)據(jù)，開發(fā)出其性能最優(yōu)異的AI系統(tǒng)之一“Claude 3.5 Sonnet”。蘋果自研AI系統(tǒng)Apple Intelligence，在預(yù)訓練階段，也大量使用了合成數(shù)據(jù)。

隨著科技公司對合成數(shù)據(jù)的需求與日俱增，生產(chǎn)合成數(shù)據(jù)的工具也接踵而至。

英偉達公司發(fā)布的3D仿真數(shù)據(jù)生成引擎Omniverse Replicator，能夠生成合成數(shù)據(jù)，用于自動駕駛汽車和機器人訓練。去年6月，英偉達開源了Nemotron-4340b系列模型，開發(fā)者可使用該模型生成合成數(shù)據(jù)，用于訓練大型語言模型，以應(yīng)用于醫(yī)療保健、金融、制造、零售等行業(yè)。在醫(yī)療、金融等專業(yè)領(lǐng)域，該模型能夠根據(jù)特定需求生成高質(zhì)量的合成數(shù)據(jù)，幫助構(gòu)建更為精準的行業(yè)專屬模型。微軟推出的開源合成數(shù)據(jù)工具Synthetic Data Showcase則旨在通過生成合成數(shù)據(jù)和用戶界面，實現(xiàn)隱私保護的數(shù)據(jù)共享和分析。亞馬遜云科技推出的Amazon SageMaker Ground Truth也能為用戶生成數(shù)十萬張自動標記的合成圖像。

此外，去年12月，元宇宙平臺公司推出開源大模型Llama 3.3，更是大幅降低了生成合成數(shù)據(jù)的成本。

過度依賴風險難測

盡管合成數(shù)據(jù)暫時解決了AI訓練的燃眉之急，但它也并非盡善盡美。

一個關(guān)鍵問題在于：當AI模型過于依賴合成數(shù)據(jù)時，它們可能會“崩潰”。它們會產(chǎn)生更多“幻覺”，編造看似合理可信但實際上并不存在的信息。而且，AI模型的質(zhì)量和性能也會飛速下降，甚至無法使用。例如，某個AI模型生成的數(shù)據(jù)出現(xiàn)了一些拼寫錯誤，利用這些充滿了錯誤的數(shù)據(jù)訓練其他模型，這些AI模型必定會“以訛傳訛”，導(dǎo)致更大的錯誤。

此外，合成數(shù)據(jù)也存在過于簡單化的風險。它可能缺乏真實數(shù)據(jù)集蘊含的細節(jié)和多樣性，這可能導(dǎo)致在其上訓練的AI模型的輸出也過于簡單，缺乏實用性。

為解決這些問題，國際標準化組織需要著手創(chuàng)建強大的系統(tǒng)，來跟蹤和驗證AI訓練數(shù)據(jù)。此外，AI系統(tǒng)可以配備元數(shù)據(jù)追蹤功能，讓用戶或系統(tǒng)能對合成數(shù)據(jù)進行溯源。人類也需要在AI模型的整個訓練過程中對合成數(shù)據(jù)進行監(jiān)督，以確保其高質(zhì)量且符合道德標準。

AI的未來在很大程度上取決于數(shù)據(jù)的質(zhì)量，合成數(shù)據(jù)將在克服數(shù)據(jù)短缺方面發(fā)揮越來越重要的作用。對合成數(shù)據(jù)的使用，人們必須保持謹慎態(tài)度，盡量減少錯誤，確保其作為真實數(shù)據(jù)的可靠補充，從而保障AI系統(tǒng)的準確性和可信度。

關(guān)鍵詞：