复旦大学盘算机科学本领学院西席、上海市数据科学重心实验室主任肖仰华

在Scaling Law（缩放定律）的“请示”下，AI大模子本领正朝着加大试验数据、加大算力参加、堆积参数等方上前进，模子一代代“彭胀”，因此，怎么用更可靠的数据进行试验模子，正徐徐成为AI大模子发展的根人道的、永恒性的要津要素之一。

9月5日-7日举行的2024 Inclusion·外滩大会“从DATA for AI到AI for DATA”视力论坛上露馅的Epoch AI数据浮现，自2026年起，东谈主类产生的新数据量将比模子学习的新数据量要少，预估到2028年，AI大谈话模子将耗尽东谈主类数据。

这意味着，不管是高质地的东谈主类怒放语料，照旧互联网开源运动的信息语料，改日基于这些数据本领的模子效果最终将出现“瓶颈”，从而很难竣事比东谈主类更智能的通用东谈主工智能（AGI）经营。

那么，怎么用更优质的数据发展中国AI本领？高质地数据怎么推高 AI 本领上限？

对此，9月6日下昼，复旦大学盘算机科学本领学院西席、上海市数据科学重心实验室主任肖仰华与钛媒体AGI等少数媒体进行对话换取。

肖仰华西席觉得，AI 大模子落地的践诺仍然是数据工程。但现时，大模子发展经由中，其对数据的糟塌和使用极为“随意”，对数据的使用效劳极为“低下”，和东谈主类比较远远不及，同期，千亿大模子的数据可能存在极大“水分”，咫尺还是处于“大模子数据耗光”这一情状。因此，发展合成数据、私域数据、个东谈主数据试验，可以进一步提高大模子的本领才调。

现时，AI 大模子本领规模，为了达到AGI，模语料数据规模变得“越来越大”。

以Meta公司发布的开源大模子Llama 3为例，其使用了15T Tokens，是古代天下最大藏书楼——亚历山大藏书楼70万册藏书（以每册10万字计，累计70G Tokens）规模的200多倍。

更早之前，OpenAI露馅，GPT-3.5的文本数据多达45TB，非常于472万套中国四大名著（《三国小说》、《西纪行》、《水浒传》、《红楼梦》），而GPT-4在之前试验数据集的基础上又加多了多模态数据，规模达数十万亿级Token。

尽管大模子所展现出的垂危才调，收获于背后的海量数据、蕴含了丰富的学问和智能。然则，现时大模子仍靠近“幻觉”、垂直行业信息短少等中枢挑战。其中，大模子生成不正确、意外旨或不真实的文本的“幻觉”欣忭，受到平凡存眷，公开连络曾露馅OpenAI GPT-4模子的作假率能达到20%以上，而形成这一欣忭的主要原因是大模子短少高质地数据复旧。

在一定进程上，数据决定了 AI 大模子“智能水平”的上限，但现时的千亿大模子当中，80%齐是“水分”，即无数的语料数据齐是意外旨、作假率极高的信息。

是以，提高数据的质地和各类性等步地，关于改日大模子本领发展以及落地应用来说至关垂危。

肖仰华现任复旦大学盘算机科学本领学院西席、博导，上海市数据科学重心实验室主任，复旦大学学问工厂实验室崇敬东谈主，2009年获取复旦大学博士学位后留校任教，连络场地包括学问图谱、大模子以及社会科学启发下的东谈主工智能等。

肖仰华在演讲中默示，现时大模子本领竣事经由中，数据糟塌了极大东谈主力资源与老本参加，是以大模子落地的践诺仍然是数据工程，数据在通盘大模子本领体系中处于一个中枢的基础地位。

因此，要是大模子真的要走向千行百业，必须要料理“幻觉”问题，背后则需要诳骗合成数据、私域数据、个东谈主数据、小模子、学问图谱等本领循序，或协同决策。

“践诺上，咫尺所谓的千亿大模子可能存在极大‘水分’，大多数参数可能仅仅在编码琐碎而杂多的事实，与大模子的才调关系不大。是以，咱们有莫得可能在这1000亿模子基础之上将‘水分’挤掉，把无须的学问一谈榨干，只留住100亿、10亿最要津的数据参数，它将决定大模子感性才调的要津。被挤掉的‘水分’学问完好意思可以放在外部文档系统里，通过RAG系统大约在应用时检索到即可。”肖仰华对钛媒体AGI默示。

他坦言，越来越多的东谈主仍然是把元气心灵花在找更多的数据而非质地，还是存在一些连络恶果标明5%的优质请示数据有可能会比100%的一般请示取得更好的大模子微调效果，是以人人不应该能再盲目追求数目，而是要去想一想数据质地怎么提高。

关于数据糟塌，肖仰华详备分析了三个形成基于高质地数据的模子本领决策：合成数据、私域数据、个东谈主数据。

最初是合成数据。互联网数据天然糟塌殆尽，但东谈主类可以在这个数据基础之上合成更多的数据，可以在原始数据上束缚想考、反想、关联、会通，产生更多的数据。合成数据是很垂危的想路，不仅仅仅为了缓解数据用光的问题，而且合成数据大部分是东谈主类想考经由的数据，践诺上可能比咫尺还是获取的数据更多。通过合成数据把无数隐性、莫得纪录、莫得抒发、经由的偏重想维的数据抒发出来，这种数据对激勉大模子的才调，或者感性才调至关垂危。咫尺大模子其实惟有知性，莫得感性，因此，合成数据即是提高感性才调相配垂危的一个想路。使用模拟想考经由的合成数据试验大模子，它才能知谈应该怎么去想考问题，而合成数据既是为了缓解数据的“饥馑”，亦然为了提高大模子感性才调。

第二是私域数据。东谈主类更多高质地、高价值的数据是在私域（垂直行业）当中，要是使用私域数据试验大模子，可能会让大模子变成行业人人。因此，用好私域数据是很要津的要素，数据有待挖掘的后劲仍然十分之大。

临了是个东谈主数据。个东谈主数据用于试验大模子才刚刚启动，包括苹果在内的好多手机结尾厂商，下一步一定是用个东谈主数据和大模子聚积。因此，怎么把个性大数据和大模子聚积好，变成个性化大模子，为每个东谈主提供处事，对此改日还有很长的路要走。

不外，肖仰华也觉得，现时数据要素市集尚不健全，使得私域数据的汇注和走动运动亦然辛苦重重，挑战相配之多。同期，大模子对数据利用的“野心进程”，也影响了数据的存储、分娩、加工、运动、消费各个技艺的本领走向。

“模子的评估、数据的筛选和模子的试验三件事应该是‘三位一体’的，咱们需要贯注数据的用法。”肖仰华称。

在肖仰华看来，AI大模子本领发展于今，仍然还处在一个相配早期的时期，从旨趣和起源上还完好意思短少表面和循序，而且大模子参数目变大，并莫得让它的才和洽感性才调所有增长。

“Scaling Law很快就会见到天花板，或者说咱们要再行去看待Scaling Law。况且，咱们要从起源上去梳理这些问题，去激勉大模子的中枢理解才调，提高大模子的感性水平。”肖仰华默示。

不外，部分学者关于合成数据的出路也有一些怀疑和争议。

9月6日，OpenAI创举成员、AI+栽培公司Eureka Labs创举东谈主安德烈·卡帕蒂（Andrej Karpathy）在播客节目 No Priors节目中默示，Transformer 还远没到我方的极限，新的改良和立异主要蚁集在数据集方面。尽管使用合成数据关于创造下一代大模子有很大匡助，但合成数据常常各类性和丰富度不及。

安德烈·卡帕蒂也承认，现时数十亿级参数目的大模子存在好多无须信息，他觉得与互联网数据自己关联，因为其可能是由 0.001% 的理解数据和 99.999% 的相似或无须信息组成的。而现时的模子糜费了无数容量来记挂不关紧要的事情，原因是数据集莫得经过致密化的转机（curation）。而确凿用于想考的理解中枢（cognitive core）可以相配小，要是它需要查找信息，它会知谈怎么使用不同的器用。改日，改日当下一代模子露出作用时，它们会出现不同的单干，比如圭臬员、居品司理等。

另一方面，肖仰华默示反对“机器取代东谈主类”的这一不雅点，他觉得本领的所有卓越和发展照旧要“以东谈主为本”，莫得东谈主的风雅是没挑升旨的。

“咫尺大模子就很擅长，可以很容易作念到一段翰墨一字可以。事实上，翰墨偶尔出错腹背之毛，垂危的不是翰墨有否错别字，而是翰墨背后是否是灼见真知。咱们在太多意外旨的细枝小节糜费太多元气心灵，而对事关宏旨的践诺却又纯粹放过。以大模子为代表的AGI的到来，离散了东谈主类意外旨的事项，倒逼东谈主类回想价值本原。”肖仰华称。

预测改日下一代万亿级参数的GPT模子，肖仰华指出，改日也许全球并不需要过多的数据，只需精采即可。然则，在此之前，东谈主类可能需要通过万卡试验和打造万亿模子，以此来探索智能的极限。但早期的那些千亿、万亿的大模子，可能存在很大的 “水分”。是以，东谈主类必须先领有 “水分” 弥漫的大模子，然后才有可能挤出这些 “水分”，从而获取一个小而精的模子。临了，基于这个小而精的基座模子进行微调与试验，在小规模集群或单机上完成微调责任。

肖仰华强调，这波生成式大模子的泡沫日夕会破，天花板一定会到来。最初，东谈主类产生优质数据的经由是相对隆重的，全球不成能每天齐产生关于天下的紧要新意志，优质数据的隆重分娩速率为成为大模子发展的天花板。其次，合成数据的质地限度仍存在不少本领挑战，且合成数据是基于原始真实数据推理而产生的，因此也会限制大模子获取践诺新颖的学问与才调，也即是大模子会碰到所谓的演绎闭包辛苦。临了，即便试验出来了参数规模是东谈主脑的10倍、100倍的超等大模子，东谈主类当下的智识水平可能限制咱们去意志这么一个超等智能形态。这么一个可能的超等存在也就与东谈主类无关。试想一下，要是蚂蚁风雅举举座蚂蚁天下之力造出了东谈主类水平的智能，那么这个相干于蚂蚁而言神相同的智能体一定是忙于探索星辰大海，去接近或竣事一个更高的存在，而无暇去关照我方的造物主。

“AI 好比一个照妖镜，将东谈主类社会一切莫得价值的事情进行败坏，倒逼全球去作念确凿有价值和挑升旨的事情。因此，AI 的改日发展倒逼所有行业回想价值本原，要让东谈主类作念确凿有价值的事。”肖仰华默示。

（作家｜林志佳，剪辑｜胡润峰）