AI公司用“AI合成數(shù)據(jù)”來訓(xùn)練AI大語言模型成趨勢

　　AI 公司正試圖通過“創(chuàng)造信息”來獲得用于訓(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)達到了人類創(chuàng)造的數(shù)據(jù)的極限，因此需要新的方法來訓(xùn)練模型。

　　目前，訓(xùn)練 AI 模型的數(shù)據(jù)主要來自于互聯(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)的使用可以繞過這個問題，公司可以使用 AI 模型生成文本、代碼等信息，并用于訓(xùn)練更先進的模型。

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

　　微軟研究院的兩項最新研究表明，合成數(shù)據(jù)可以用于訓(xùn)練比 OpenAI 的 GPT-4或 Google 的 PaLM-2等最先進的軟件更小更簡單的模型。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)集只包含一個典型四歲孩子可能理解的詞語。這個數(shù)據(jù)集被稱為 TinyStories，然后用于訓(xùn)練一個簡單的 LLM，能夠生成流利和符合語法的故事。

　　另一篇論文展示了可以使用合成的 Python 代碼進行訓(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)相對不錯。

　　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)可以保護個人隱私，同時保持統(tǒng)計數(shù)據(jù)的完整性。Gretel 由前美國國家安全局和中央情報局的情報分析師創(chuàng)立，與谷歌、匯豐銀行、Riot Games 和 Illumina 等公司合作，通過合成數(shù)據(jù)的方式來增強他們現(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)可能會阻礙進展，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)時不可避免地會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”。一項來自牛津和劍橋等大學(xué)的研究最近警告稱，訓(xùn)練模型時使用自身的原始輸出(可能包含虛假或捏造的信息)可能會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，AI 研究人員認為合成數(shù)據(jù)有助于加速超級智能 AI 系統(tǒng)的發(fā)展。