原文來源：AIGC開放社區(qū)

圖片來源：由無界 AI生成

《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)）

論文地址：https://arxiv.org/pdf/2211.04325.pdf?

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(dāng)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(dāng)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(dāng),、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(dāng)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。?