人类数据，要被OpenAI用完了，然后呢？

作者 | 汤一涛

编辑 | 靖宇

「比大更大」（Bigger than bigger）当年苹果的一句广告词，用来形容现在 AI 领域最热的大语言模型，看起来也没什么不对。

从十亿、百亿再到千亿，大模型的参数走向逐渐狂野，相应的，用来训练 AI 的数据量，也以指数级暴增。

以 OpenAI 的 GPT 为例，从 GPT-1 到 GPT-3，其训练数据集就从 4.5GB 指数级增长到了 570GB。

不久前的 Databricks 举办的 Data+AI 大会上，a16z 创始人 Marc Andreessen 认为，二十几年来互联网积累的海量数据，是这一次新的 AI 浪潮兴起的重要原因，因为前者为后者提供了可用来训练的数据。

但是，即便网民们在网上留下了大量有用或者没用的数据，对于 AI 训练来说，这些数据，可能要见底了。

人工智能研究和预测组织 Epoch 发表的一篇论文里预测，高质量的文本数据会在 2023-2027 年之间消耗殆尽。

尽管研究团队也承认，分析方法存在严重的局限，模型的不准确性很高，但是很难否认，AI 消耗数据集的速度是恐怖的。

低质量文本、高质量文本和图像的机器学习数据消耗和数据生产趋势｜EpochAI

当「人类」数据用完，AI 训练不可避免地，将会使用 AI 自己生产的内容。不过，这样的「内循环」，却会产生很大挑战。

不久前，来自剑桥大学、牛津大学、多伦多大学等高校的研究人员发表论文指出，用 AI 生成的内容作为训练 AI，会导致新模型的崩溃。

所以，AI 训练用「生成数据」会带来崩溃的原因是什么？还有救吗？

01 AI「近亲繁殖」的后果

在这篇名为《递归的诅咒：用生成数据训练会使模型遗忘》的论文中，研究人员指出，「模型崩溃」是一个几代模型的退化过程。

前一代模型生成的数据，会污染下一代模型，经历几代模型的「传承」，它们就会错误地感知世界。

模型迭代示意图｜arxiv

模型崩溃分为两步：

在早期模型崩溃中，模型会开始失去原始数据的分布信息，也就是「干净的人类数据」；

在晚期，模型会把上几代模型对原始分布信息的「错误认知」纠缠到一起，从而曲解现实。

研究人员首先从头训练了小样本模型 GMM（高斯混合模型）和 VAE（变量自动编码器）。以 GMM 为例，下图最左是原始数据的正态分布。

可以看到，模型一开始对数据的拟合非常好。到第 50 次迭代时，基础数据分布开始被错误感知。当迭代来到 2000 次时，模型已经收敛到一个很小的点，这意味着模型开始稳定输出错误答案。

GMM 在迭代 0、50、100、150、200、350、2000 时拟合数据的例子｜arxiv

为了验证预训练对实验结果的影响，研究人员又在 Meta 开发的 1.25 亿参数的 LLM（大语言模型）OPT-125m 上进行了实验，数据集来自维基百科的 wikitext2。

和 GMM、VAE 这类小模型不同，LLM 从头训练的成本非常高，所以它们都是经过预训练的。实验结果如下：

输入：根据 Poyntz Wright 的说法，在 1360 年之前有些活动通常由一位主要石匠和一小队流动的石匠完成，辅以当地教区劳工。但其他作者则否认了这种模式，相反提出主建筑师借鉴英国垂直式风格设计了教区教堂的尖塔。

输出：

第 0 代：复兴建筑，例如伦敦的圣约翰大教堂。现存最早的垂直复兴建筑可以追溯到 18@-@ 世纪的根西岛圣母教堂，该教堂建于 19 世纪末。有两种类型的垂直式教堂：那些

第 1 代：建筑，如罗马的圣彼得大教堂或布宜诺斯艾利斯的圣彼得大教堂。没有证据表明这些建筑 是在教皇英诺森三世统治时期建造的，但有可能是在他的继任者英诺森教皇统治时期建造的。

第 7 代：英国的建筑。在接受《纽约时报》采访时，赖特说："我不认为我能够做我想做的事情有什么问题。它只是对我不起作用。"他补充说："我不知道你是否可以称之为有趣、

第 9 代：建筑。除了成为全球黑 @-@ 尾巴大野兔、白 @-@ 尾巴大野兔、蓝 @-@ 尾巴大野 兔、红 @-@ 尾巴大野兔、黄 @-的最大栖息地之一

可以看到，到第 9 代模型时，输出的内容已经完全不知所云。

论文的作者之一 Ilia Shumailov 说，随着时间的推移，人工智能生成的数据中的错误不断累积，主要的模型在接受这些数据的训练后，会对现实产生更加扭曲的看法。

02 为什么会模型崩溃？

「模型崩溃」产生的最主要原因，还是因为 AI 并非真正的智能，它展现出的近似「智能」的能力背后，其实是基于大量数据的统计学方法。

基本上，所有无监督机器学习算法都遵循一条简单的模式：给定一系列数据，训练出一个能描述这些数据规律的模型。

这个过程中，训练集里更大概率出现的数据就更容易被模型重视，小概率出现的数据就会被模型低估。

举个例子，假设我们需要记录 100 次骰子的投掷结果，来计算每个面出现的概率。理论上，每个面出现的概率是一样的。在现实生活中，由于样本量较小，可能 3、4 出现的情况比较多。但对于模型而言，它学习到的数据就是 3、4 出现的概率更高，因而会倾向于生成更多的 3 和 4 的结果。

「模型崩溃」示意图｜arxiv

另一个次要原因是函数近似误差。也很好理解，因为真实函数往往很复杂，实际运用中，经常使用简化的函数来近似真实函数，这就导致了误差。

03 真没招了吗？杞人忧天！

所以，在人类数据越来越少的情况下，AI 训练真的没机会了吗？

并不是，用于训练 AI 数据枯竭的问题，还有方法能解决：

数据「隔离」

随着 AI 越来越强大，已经有越来越多的人开始使用 AI 辅助自己工作，互联网上的 AIGC 爆炸式增长，「干净的人类数据集」可能会越来越难以找到。

谷歌深度学习研究部门谷歌大脑 Google Brain 的高级研究科学家 Daphne Ippolito 就表示，在未来，要找到高质量、有保证的无人工智能训练数据将变得越来越棘手。

这就好比是一个患有高危遗传病的人类始祖，但是又拥有极其强大的繁殖能力。在短时间内他就把子孙繁衍到了地球每一个角落。然后在某一时刻，遗传病爆发，人类全体灭绝。

为了解决「模型崩溃」，研究团队提出的一种方法是「先行者优势」，也就是保留对干净的人工生成数据源的访问，将 AIGC 与之分隔开来。

同时，这需要很多社区和公司联合起来，共同保持人类数据不受 AIGC 污染。

不过，人类数据的稀缺意味着这其中有利可图，已经有一些公司行动起来了。Reddit 就表示将大幅提高访问其 API 的费用。该公司的管理人员表示，这些变化 (在一定程度上) 是对人工智能公司窃取其数据的回应。Reddit 创始人兼首席执行官 Steve Huffman 告诉《纽约时报》:「Reddit 的数据库真的很有价值。」「但我们不需要把所有这些价值都免费提供给一些全球最大的公司。」

合成数据

同时，专业基于 AI 生成的数据，早已有效用于 AI 的训练。在一些从业者看来，现在担心 AI 生成的数据会导致模型崩溃，多少有点「标题党」。

光轮智能创始人谢晨光告诉极客公园，国外论文提到的，用 AI 生成数据训练 AI 模型导致崩溃，实验方法比较偏颇。即便是人类数据，也有能用和不能用之分，而论文提到的实验，则是不加分辨地直接用来训练，而并非有针对性的经过质检、效用性判定后作为训练数据，显然有可能会造成模型崩溃。

谢晨透露，其实 OpenAI 的 GPT-4，就采用了大量前一代模型 GPT-3.5 生产的数据来进行训练。Sam Altman 也在近期的采访中表达，合成数据是解决大模型数据短缺的有效方法。而其中的关键在于，有一整套体系来区分 AI 生成的数据中，哪些可用，哪些不可用，并不断根据训练后模型的效果进行反馈——这是 OpenAI 能笑傲 AI 江湖的绝招之一，这家公司并不只是融的钱多，买的算力多这么简单而已。

在 AI 行业内，使用合成数据来进行模型训练，早已经成为一个尚未为外人所知的共识。

曾经在英伟达、Cruise、和蔚来等公司负责自动驾驶仿真的谢晨认为，以目前各种大模型训练的数据量来看，未来 2-3 年，人类数据确实有可能「枯竭」，但是基于专业化体系和方法，AI 生成的合成数据，会成为用之不竭的有效数据来源。并且使用场景并不局限于文字和图片，像自动驾驶、机器人等行业需要的合成数据量，将远远大于文本的数据量。

AI 三要素，数据、算力、算法，数据来源有着落了，算法大模型在不断进化，唯一剩下的算力压力，相信英伟达创始人黄仁勋是可以顺利解决的。