ChatGPT等模型：到2026年，將消耗盡高質(zhì)量訓(xùn)練數(shù)據(jù)

　　本文來自于微信公眾號 AIGC開放社區(qū)(ID:AIGCOPEN)，作者:AIGC開放社區(qū)。

　　《麻省理工技術(shù)評論》曾在官網(wǎng)發(fā)表文章表示，隨著ChatGPT等大模型的持續(xù)火熱，對訓(xùn)練數(shù)據(jù)的需求越來越大。大模型就像是一個“網(wǎng)絡(luò)黑洞”不斷地吸收，最終會導(dǎo)致沒有足夠的數(shù)據(jù)進行訓(xùn)練。

　　而知名AI研究機構(gòu)Epochai直接針對數(shù)據(jù)訓(xùn)練問題發(fā)表了一篇論文，并指出，到2026年，大模型將消耗盡高質(zhì)量數(shù)據(jù);到2030年—2050年，將消耗盡所有低質(zhì)量數(shù)據(jù);

　　到2030年—2060年，將消耗盡所有圖像訓(xùn)練數(shù)據(jù)。(這里的數(shù)據(jù)指的是，沒有被任何標記、污染過的原生數(shù)據(jù))

　　事實上，訓(xùn)練數(shù)據(jù)的問題已經(jīng)顯現(xiàn)。OpenAI表示，缺乏高質(zhì)量訓(xùn)練數(shù)據(jù)將成為開發(fā)GPT-5的重要難題之一。這就像人類上學(xué)一樣，當你的知識水平達到博士級別時，再給你看初中的知識對學(xué)習(xí)毫無幫助。

　　所以，OpenAI為了增強GPT-5的學(xué)習(xí)、推理和AGI通用能力，已建立了一個“數(shù)據(jù)聯(lián)盟”，希望大面積搜集私密、超長文本、視頻、音頻等數(shù)據(jù)，讓模型深度模擬、學(xué)習(xí)人類的思維和工作方式。

　　目前，冰島、Free Law Project等組織已加入該聯(lián)盟，為OpenAI提供各種數(shù)據(jù)，幫助其加速模型研發(fā)。

　　此外，隨著ChatGPT、Midjourney、Gen-2等模型生成的AI內(nèi)容進入公共網(wǎng)絡(luò)，這對人類構(gòu)建的公共數(shù)據(jù)池將產(chǎn)生嚴重污染，會出現(xiàn)同質(zhì)化、邏輯單一等特征，加速高質(zhì)量數(shù)據(jù)消耗的進程。

　　高質(zhì)量訓(xùn)練數(shù)據(jù)，對大模型研發(fā)至關(guān)重要

　　從技術(shù)原理來看，可以把大語言模型看成“語言預(yù)測機器”， 通過學(xué)習(xí)大量文本數(shù)據(jù)，建立起單詞之間的關(guān)聯(lián)模式，然后利用這些模式來預(yù)測文本的下一個單詞或句子。

　　Transformer便是最著名、應(yīng)用最廣泛的架構(gòu)之一，ChatGPT等借鑒了該技術(shù)。

　　簡單來說，大語言模型就是“照葫蘆畫瓢”，人類怎么說它就怎么說。所以，當你使用ChatGPT等模型生成文本時，會感覺這些文本內(nèi)容的敘述模式在哪里見過。

　　因此，訓(xùn)練數(shù)據(jù)的質(zhì)量直接決定了大模型學(xué)習(xí)的結(jié)構(gòu)是否準確。如果數(shù)據(jù)中包含了大量語法錯誤、措辭不當、斷句不準、虛假內(nèi)容等，那么模型預(yù)測出來的內(nèi)容自然也包含這些問題。

　　例如，訓(xùn)練了一個翻譯模型，但使用的數(shù)據(jù)都是胡編亂造的低劣內(nèi)容，AI翻譯出來的內(nèi)容自然會非常差。

　　這也是為什么我們經(jīng)常會看到很多參數(shù)很小，性能、輸出能力卻比高參數(shù)還強的模型，主要原因之一便是使用了高質(zhì)量訓(xùn)練數(shù)據(jù)。

　　大模型時代，數(shù)據(jù)為王

　　正因數(shù)據(jù)的重要性，高質(zhì)量的訓(xùn)練數(shù)據(jù)成為OpenAI、百度、Anthropic、Cohere等廠商必爭的寶貴資源，成為大模型時代的“石油”。

　　早在今年3月，國內(nèi)還在瘋狂煉丹研究大模型時，百度已經(jīng)率先發(fā)布了對標ChatGPT的生成式AI產(chǎn)品——文心一言生。

　　除了超強的研發(fā)能力之外，百度通過搜索引擎積累的20多年龐大的中文語料數(shù)據(jù)幫了大忙，并在文心一言的多個迭代版本中發(fā)揮重要作用，遙遙領(lǐng)先國內(nèi)其他廠商。

　　高質(zhì)量數(shù)據(jù)通常包括出版書籍、文學(xué)作品、學(xué)術(shù)論文、學(xué)校課本、權(quán)威媒體的新聞報道、維基百科、百度百科等，經(jīng)過時間、人類驗證過的文本、視頻、音頻等數(shù)據(jù)。

　　但研究機構(gòu)發(fā)現(xiàn)，這類高質(zhì)量數(shù)據(jù)的增長非常緩慢。以出版社書籍為例，需要經(jīng)過市場調(diào)研、初稿、編輯、再審等繁瑣流程，耗費幾個月甚至幾年時間才能出版一本書，這種數(shù)據(jù)產(chǎn)出速度，遠遠落后大模型訓(xùn)練數(shù)據(jù)需求的增長。

　　從大語言模型過去4年的發(fā)展趨勢來看，其年訓(xùn)練數(shù)據(jù)量的增速超過了50%。也就是說，每過1年就需要雙倍的數(shù)據(jù)量來訓(xùn)練模型，才能實現(xiàn)性能、功能的提升。

　　所以，你會看到很多國家、企業(yè)嚴格保護數(shù)據(jù)隱私以及制定了相關(guān)條例，一方面，是保護用戶的隱私不被第三方機構(gòu)搜集，出現(xiàn)盜取、亂用的情況;

　　另一方面，便是為了防止重要數(shù)據(jù)被少數(shù)機構(gòu)壟斷和囤積，在技術(shù)研發(fā)時無數(shù)據(jù)可用。

　　到2026年，高質(zhì)量訓(xùn)練數(shù)據(jù)可能會用光

　　為了研究訓(xùn)練數(shù)據(jù)消耗問題，Epochai的研究人員模擬了從2022年—2100年，全球每年產(chǎn)生的語言和圖像數(shù)據(jù)，然后計算這些數(shù)據(jù)的總量。

　　又模擬了ChatGPT等大模型對數(shù)據(jù)的消耗速率。最后，比較了數(shù)據(jù)增長速度和被消耗的速度，得出了以下重要結(jié)論:

　　在當前大模型的高速發(fā)展趨勢下， 到2030年—2050年將消耗盡所有低質(zhì)量數(shù)據(jù);高質(zhì)量數(shù)據(jù)，極有可能在2026年就會消耗完。

　　到2030年—2060年，將消耗盡所有圖像訓(xùn)練數(shù)據(jù);到2040年，由于缺乏訓(xùn)練數(shù)據(jù)，大模型的功能迭代可能會出現(xiàn)放緩的跡象。

　　研究人員使用了兩個模型進行了計算:第一個模型，通過大語言和圖像模型兩個領(lǐng)域?qū)嶋H使用的數(shù)據(jù)集增長趨勢，再利用歷史統(tǒng)計數(shù)據(jù)進行外推，預(yù)測它們何時會達到消耗峰值和平均消耗。

　　第二個模型:預(yù)測未來每年全球范圍內(nèi)將產(chǎn)生多少新數(shù)據(jù)。該模型基于三個變量，全球人口數(shù)量、互聯(lián)網(wǎng)普及率和平均每個網(wǎng)民每年產(chǎn)生的數(shù)據(jù)。

　　同時研究人員使用聯(lián)合國數(shù)據(jù)擬合出人口增長曲線，用一個S型函數(shù)擬合互聯(lián)網(wǎng)使用率，并做出每人每年產(chǎn)數(shù)據(jù)基本不變的簡單假設(shè)，三者相乘即可估算全球每年的新數(shù)據(jù)量。

　　該模型已經(jīng)準確預(yù)測出Reddit(知名論壇)每個月產(chǎn)出的數(shù)據(jù)，所以，準確率很高。

　　最后，研究人員將兩個模型進行相結(jié)合得出了以上結(jié)論。

　　研究人員表示，雖然這個數(shù)據(jù)是模擬、估算出來的，存在一定的不確定性。但為大模型界敲響了警鐘，訓(xùn)練數(shù)據(jù)可能很快成為制約AI模型擴展和應(yīng)用的重要瓶頸。

　　AI廠商們需要提前布局數(shù)據(jù)再生、合成的有效方法，避免在發(fā)展大模型的過程中出現(xiàn)斷崖式數(shù)據(jù)短缺。‍

　　本文素材來源麻省理工科技評論官網(wǎng)、Epochai論文，如有侵權(quán)請聯(lián)系刪除