AI公司用“AI合成數(shù)據(jù)”來(lái)訓(xùn)練AI大語(yǔ)言模型成趨勢(shì)

　　AI 公司正試圖通過(guò)“創(chuàng)造信息”來(lái)獲得用于訓(xùn)練 AI 系統(tǒng)的大量數(shù)據(jù)，這被稱為 "合成數(shù)據(jù)"�，F(xiàn)在，AI 模型的發(fā)展已經(jīng)達(dá)到了人類創(chuàng)造的數(shù)據(jù)的極限，因此需要新的方法來(lái)訓(xùn)練模型。

　　目前，訓(xùn)練 AI 模型的數(shù)據(jù)主要來(lái)自于互聯(lián)網(wǎng)，用于訓(xùn)練這些系統(tǒng)的數(shù)據(jù)包括數(shù)字化的圖書、新聞文章、博客、搜索查詢、Twitter 和 Reddit 帖子、YouTube 視頻和 Flickr 圖像等內(nèi)容。

　　但是隨著生成式 AI 技術(shù)的發(fā)展，即使是資金充裕的 AI 公司也很難找到易獲取且高質(zhì)量的數(shù)據(jù)。合成數(shù)據(jù)的使用可以繞過(guò)這個(gè)問(wèn)題，公司可以使用 AI 模型生成文本、代碼等信息，并用于訓(xùn)練更先進(jìn)的模型。

　　根據(jù) Cohere 的首席執(zhí)行官 Aidan Gomez 的說(shuō)法，合成數(shù)據(jù)已經(jīng)很多，只是沒(méi)有被廣泛傳播。例如，為了訓(xùn)練一個(gè)模型進(jìn)行高級(jí)數(shù)學(xué)，Cohere 可能會(huì)使用兩個(gè)互相交流的 AI 模型，其中一個(gè)扮演數(shù)學(xué)導(dǎo)師，另一個(gè)扮演學(xué)生。Gomez 表示:“他們正在進(jìn)行三角學(xué)的對(duì)話…… 這完全是合成的。這些只是模型想象出來(lái)的。然后人類觀察這段對(duì)話，如果模型說(shuō)錯(cuò)了內(nèi)容，就進(jìn)行修正。這是目前的現(xiàn)狀。”

　　微軟研究院的兩項(xiàng)最新研究表明，合成數(shù)據(jù)可以用于訓(xùn)練比 OpenAI 的 GPT-4或 Google 的 PaLM-2等最先進(jìn)的軟件更小更簡(jiǎn)單的模型。其中一篇論文描述了 GPT-4生成的一組短篇故事的合成數(shù)據(jù)集，該數(shù)據(jù)集只包含一個(gè)典型四歲孩子可能理解的詞語(yǔ)。這個(gè)數(shù)據(jù)集被稱為 TinyStories，然后用于訓(xùn)練一個(gè)簡(jiǎn)單的 LLM，能夠生成流利和符合語(yǔ)法的故事。

　　另一篇論文展示了可以使用合成的 Python 代碼進(jìn)行訓(xùn)練，這些代碼以教科書和練習(xí)的形式存在，他們發(fā)現(xiàn)這些代碼在編碼任務(wù)上表現(xiàn)相對(duì)不錯(cuò)。

　　一些初創(chuàng)公司如 Scale AI 和 Gretel.ai 已經(jīng)提供合成數(shù)據(jù)作為服務(wù)，這種數(shù)據(jù)可以保護(hù)個(gè)人隱私，同時(shí)保持統(tǒng)計(jì)數(shù)據(jù)的完整性。Gretel 由前美國(guó)國(guó)家安全局和中央情報(bào)局的情報(bào)分析師創(chuàng)立，與谷歌、匯豐銀行、Riot Games 和 Illumina 等公司合作，通過(guò)合成數(shù)據(jù)的方式來(lái)增強(qiáng)他們現(xiàn)有的數(shù)據(jù)，以幫助訓(xùn)練更好的 AI 模型。

　　然而，使用低質(zhì)量的合成數(shù)據(jù)可能會(huì)阻礙進(jìn)展，并可能導(dǎo)致技術(shù)的退化。隨著 AI 生成的文本和圖像開始充斥互聯(lián)網(wǎng)，AI 公司在搜索訓(xùn)練數(shù)據(jù)時(shí)不可避免地會(huì)使用其自身早期版本生成的原始數(shù)據(jù)，這種現(xiàn)象被稱為 “dog-fooding”。一項(xiàng)來(lái)自牛津和劍橋等大學(xué)的研究最近警告稱，訓(xùn)練模型時(shí)使用自身的原始輸出(可能包含虛假或捏造的信息)可能會(huì)逐漸損害和降低技術(shù)的質(zhì)量，造成 “不可逆的缺陷”。盡管存在這些風(fēng)險(xiǎn)，AI 研究人員認(rèn)為合成數(shù)據(jù)有助于加速超級(jí)智能 AI 系統(tǒng)的發(fā)展。