人工智能（AI）初創(chuàng)公司xAI創(chuàng)始人埃隆·馬斯克近日表示：“在AI訓(xùn)練中,，我們現(xiàn)在基本上耗盡了人類知識的累積總和?！敝把芯恳脖砻?，人類生成的真實(shí)數(shù)據(jù)將在2到8年內(nèi)消耗殆盡,。鑒于真實(shí)數(shù)據(jù)日益稀缺，為滿足AI的“胃口”,，科技行業(yè)正轉(zhuǎn)向使用合成數(shù)據(jù),。澳大利亞“對話”網(wǎng)站在本月稍早時(shí)間報(bào)道中指出，合成數(shù)據(jù)具有諸多優(yōu)勢,，但過度依賴合成數(shù)據(jù)也可能削弱AI的精確性和可靠性,。圖片來源：物理學(xué)家組織網(wǎng)合成數(shù)據(jù)應(yīng)運(yùn)而生以往,，科技公司主要依賴真實(shí)數(shù)據(jù)來構(gòu)建,、訓(xùn)練和改進(jìn)AI模型。真實(shí)數(shù)據(jù)是指由人類創(chuàng)建的文本,、視頻和圖像,。它們通過調(diào)查、實(shí)驗(yàn),、觀察或挖掘網(wǎng)站和社交媒體等途徑被收集而來。真實(shí)數(shù)據(jù)因蘊(yùn)含真實(shí)事件以及其場景和背景而極具價(jià)值,，但其并非盡善盡美,。它可能摻雜拼寫錯(cuò)誤、不一致或無關(guān)的內(nèi)容,，甚至潛藏嚴(yán)重偏見,，導(dǎo)致生成式AI模型在某些情況下創(chuàng)建的圖像僅展示男性或白人形象。但真實(shí)數(shù)據(jù)日益匱乏,，因?yàn)槿祟惿蓴?shù)據(jù)的速度趕不上AI不斷增長的需求,。美國開放人工智能研究中心聯(lián)合創(chuàng)始人伊利亞·蘇茨克維爾在去年12月舉行的機(jī)器學(xué)習(xí)會議上聲稱,，AI行業(yè)已觸及他所稱的“數(shù)據(jù)峰值”,，AI的訓(xùn)練數(shù)據(jù)如同化石燃料一樣面臨著耗盡的危機(jī)。此外,，有研究預(yù)測,，到2026年，ChatGPT等大型語言模型的訓(xùn)練將耗盡互聯(lián)網(wǎng)上所有可用文本數(shù)據(jù),，屆時(shí)將沒有新的真實(shí)數(shù)據(jù)可供使用,。為給AI提供充足的“養(yǎng)分”，一種由算法生成的,、模仿真實(shí)世界情況的數(shù)據(jù)——合成數(shù)據(jù)應(yīng)運(yùn)而生,。合成數(shù)據(jù)是在數(shù)字世界中創(chuàng)造的，而非從現(xiàn)實(shí)世界收集或測量而來,。它可以作為真實(shí)世界數(shù)據(jù)的替代品,，來訓(xùn)練、測試,、驗(yàn)證AI模型,。從理論上來說，合成數(shù)據(jù)為訓(xùn)練AI模型提供了一種經(jīng)濟(jì)高效且快捷的解決方案,。它有效解決了AI訓(xùn)練使用真實(shí)數(shù)據(jù)時(shí)飽受詬病的隱私問題和道德問題,，尤其是涉及個(gè)人健康數(shù)據(jù)等敏感信息時(shí)。更重要的是,，與真實(shí)數(shù)據(jù)不同,，合成數(shù)據(jù)在理論上可以無限供應(yīng)。研究機(jī)構(gòu)高德納公司估計(jì),，2024年AI及分析項(xiàng)目使用的數(shù)據(jù)中,，約60%是合成數(shù)據(jù)。到2030年,，AI模型使用的絕大部分?jǐn)?shù)據(jù)將是由AI生成的合成數(shù)據(jù),。科技公司來者不拒事實(shí)上,，微軟,、元宇宙平臺公司，以及Anthropic等眾多科技頭部企業(yè)和初創(chuàng)企業(yè),，已經(jīng)開始廣泛使用合成數(shù)據(jù)來訓(xùn)練其AI模型,。例如，微軟在1月8日開源的AI模型“Phi-4”,，便是合成數(shù)據(jù)攜手真實(shí)數(shù)據(jù)訓(xùn)練的,；谷歌的“Gemma”模型也采用了類似方法。Anthropic公司也利用部分合成數(shù)據(jù),，開發(fā)出其性能最優(yōu)異的AI系統(tǒng)之一“Claude 3.5 Sonnet”,。蘋果自研AI系統(tǒng)Apple Intelligence,，在預(yù)訓(xùn)練階段，也大量使用了合成數(shù)據(jù),。隨著科技公司對合成數(shù)據(jù)的需求與日俱增,，生產(chǎn)合成數(shù)據(jù)的工具也接踵而至。英偉達(dá)公司發(fā)布的3D仿真數(shù)據(jù)生成引擎Omniverse Replicator,，能夠生成合成數(shù)據(jù),，用于自動(dòng)駕駛汽車和機(jī)器人訓(xùn)練。去年6月,，英偉達(dá)開源了Nemotron-4340b系列模型,，開發(fā)者可使用該模型生成合成數(shù)據(jù)，用于訓(xùn)練大型語言模型,，以應(yīng)用于醫(yī)療保健,、金融、制造,、零售等行業(yè),。在醫(yī)療、金融等專業(yè)領(lǐng)域,，該模型能夠根據(jù)特定需求生成高質(zhì)量的合成數(shù)據(jù),，幫助構(gòu)建更為精準(zhǔn)的行業(yè)專屬模型。微軟推出的開源合成數(shù)據(jù)工具Synthetic Data Showcase則旨在通過生成合成數(shù)據(jù)和用戶界面,，實(shí)現(xiàn)隱私保護(hù)的數(shù)據(jù)共享和分析。亞馬遜云科技推出的Amazon SageMaker Ground Truth也能為用戶生成數(shù)十萬張自動(dòng)標(biāo)記的合成圖像,。此外,，去年12月，元宇宙平臺公司推出開源大模型Llama 3.3,，更是大幅降低了生成合成數(shù)據(jù)的成本,。過度依賴風(fēng)險(xiǎn)難測盡管合成數(shù)據(jù)暫時(shí)解決了AI訓(xùn)練的燃眉之急，但它也并非盡善盡美,。一個(gè)關(guān)鍵問題在于：當(dāng)AI模型過于依賴合成數(shù)據(jù)時(shí),，它們可能會“崩潰”。它們會產(chǎn)生更多“幻覺”,，編造看似合理可信但實(shí)際上并不存在的信息,。而且，AI模型的質(zhì)量和性能也會飛速下降,，甚至無法使用,。例如，某個(gè)AI模型生成的數(shù)據(jù)出現(xiàn)了一些拼寫錯(cuò)誤,，利用這些充滿了錯(cuò)誤的數(shù)據(jù)訓(xùn)練其他模型,，這些AI模型必定會“以訛傳訛”,，導(dǎo)致更大的錯(cuò)誤。此外,，合成數(shù)據(jù)也存在過于簡單化的風(fēng)險(xiǎn),。它可能缺乏真實(shí)數(shù)據(jù)集蘊(yùn)含的細(xì)節(jié)和多樣性，這可能導(dǎo)致在其上訓(xùn)練的AI模型的輸出也過于簡單,，缺乏實(shí)用性,。為解決這些問題，國際標(biāo)準(zhǔn)化組織需要著手創(chuàng)建強(qiáng)大的系統(tǒng),，來跟蹤和驗(yàn)證AI訓(xùn)練數(shù)據(jù),。此外，AI系統(tǒng)可以配備元數(shù)據(jù)追蹤功能,，讓用戶或系統(tǒng)能對合成數(shù)據(jù)進(jìn)行溯源,。人類也需要在AI模型的整個(gè)訓(xùn)練過程中對合成數(shù)據(jù)進(jìn)行監(jiān)督，以確保其高質(zhì)量且符合道德標(biāo)準(zhǔn),。AI的未來在很大程度上取決于數(shù)據(jù)的質(zhì)量,，合成數(shù)據(jù)將在克服數(shù)據(jù)短缺方面發(fā)揮越來越重要的作用。對合成數(shù)據(jù)的使用,，人們必須保持謹(jǐn)慎態(tài)度,，盡量減少錯(cuò)誤，確保其作為真實(shí)數(shù)據(jù)的可靠補(bǔ)充,，從而保障AI系統(tǒng)的準(zhǔn)確性和可信度,。（記者劉 霞）來源：科技日報(bào)