微軟、OpenAI用上“數據永動機” 合成數據是蜜糖還是砒霜？
科創板日報07-22 12:06
約7分鐘
人工智能ETF
0.863
-0.69%
加自選
人工智能AIETF
1.102
-0.9%
加自選
《科創板日報》7月22日訊（編輯 鄭遠方）AI大模型對數據的龐大需求之下，AI公司們正在摸索一條獲取數據的“新路”——從零开始自己“造”數據。
微軟、OpenAI、Cohere等公司已經开始測試使用合成數據來訓練AI模型。Cohere首席執行官Aiden Gomez表示，合成數據可以適用於很多訓練場景，只是目前尚未全面推廣。
已有的（通用）數據資源似乎接近效能極限，开發人員認爲，網絡上那些通用數據已不足以推動AI模型的性能發展。Gomez便指出，網絡極爲嘈雜混亂，“它並不能爲你提供你真正想要的數據，網絡無法滿足我們的一切需求。”
之前，ChatGPT、Bard等聊天機器人的訓練數據多來自於互聯網，例如電子書、新聞文章、博客、推特與Reddit的推文帖子、Youtube視頻、Flickr圖片等。但隨着AIGC技術愈發復雜，高質量數據的獲取難度也越來越大。开發AI模型的科技公司們，也因不當使用數據而遭受多方抨擊。
今年5月的一場活動上，OpenAI首席執行官Sam Altman曾被問及，是否擔心監管部門調查ChatGPT可能侵犯用戶隱私的事。Altman對此不置可否，並表示自己“非常有信心，很快所有數據都將是合成數據”。
人類真實數據售價高昂
爲了大幅提高AI模型的性能，提升它們在科學、醫學、商業等領域的水平，AI模型需要的是“獨特且復雜”的數據集。而這類數據或是需要來自科學家、醫生、作家、演員、工程師等“內行人”，或是需要從藥企、銀行、零售商等大型企業獲取專業數據。
這也就帶來了讓AI公司們轉向合成數據的另一層原因——數據太貴了。
且不說那些技術含量極高的制藥、科學數據，光是之前Reddit和推特給出的數據採集要價，都被Gomez“嫌棄”價格太高。
其中，Reddit本月起开始對數據接口使用收費。根據第三方軟件Apollo的开發者Christian Selig透露，Reddit收費標准爲0.24美元/1000次API響應——對於Apollo來說，這大約相當於200萬美元/月开銷。
而根據推特今年3月發布的API政策，企業需要爲抓取推文的API支付每月4萬美元至20萬美元不等的費用，對應可以獲得5000萬至2億條推文。而測算數據顯示，最低一個檔次的套餐只約等於整體推文的0.3%。
在這種情況下，合成數據自然成了一個實惠方案，不僅可以避开這些數據的高昂售價，還能生成一些更復雜的數據來訓練AI。
如何用合成數據訓練？
具體如何用合成數據訓練AI大模型？Gomez舉了一個例子：
在訓練一個高級數學模型時，Cohere可能會使用兩個AI模型進行對話，其中一個扮演數學老師，另一個則充當學生。之後這兩個模型就會就三角函數等數學問題對話，“其實一切都是模型‘想象’出來的”。
如果在這個過程中，模型說錯了什么，人類就會在查看這段對話時作出糾正。
而微軟研究院最近的兩項研究，也表明合成數據可以用來訓練AI模型，這些模型一般比OpenAI的GPT-4、谷歌的PaLM-2更小更簡單。
在其中一篇論文中，GPT-4生成了一個名爲“TinyStories”的短篇故事合成數據集，裏面使用的單詞全部非常簡單，一個四歲兒童都能理解。這一數據集被用來訓練一個簡單的大語言模型，後者能生成流暢且語法正確的故事。
另一篇論文中，AI可以通過合成的Python代碼進行訓練，並在之後的編碼任務中給出相對較好的表現。
蜜糖還是砒霜？
想要合成數據的客戶有了，供應商自然也如雨後春筍般湧現，例如Scale AI、Gretel.ai等初創公司。Gretel.ai由來自美國國安局和中情局的前情報分析師成立，其已與谷歌、匯豐銀行、Riot Games、Illumina等公司合作，用合成數據來擴充現有數據，幫助訓練人工智能模型。
Gretel.ai首席執行官Ali Golshan表示，合成數據的關鍵在於，它既能保護數據集中所有個人的隱私，又能保持數據的統計完整性。
同時，合成數據還可以消除現有數據中的偏差和不平衡。“舉例來說，對衝基金可以研究黑天鵝事件，我們可以創建一百種變體，看看模型能否破解；而對於銀行來說，欺詐事件通常不到總數據的百分之一，Gretel的軟件可以生成成千上萬的欺詐案例，並以此訓練AI模型。”
不過，也有人不看好合成數據。
反對派認爲，並不是所有合成數據都經過精心調試，並能反映或改進真實世界。
來自牛津、劍橋、帝國理工等機構研究人員發現，合成數據的負面影響甚至堪比“毒藥”。如果在訓練時大量使用AI內容，會引發模型崩潰（model collapse），造成不可逆的缺陷。
新一代模型的訓練數據會被上一代模型的生成數據所污染，從而對現實世界的感知產生錯誤理解。隨着時間推移，模型就會忘記真實基礎數據部分。即使在幾乎理想的長期學習狀態下，這個情況也無法避免——研究人員也將此形容爲“AI大模型患上‘癡呆症’”。
image
即便是合成數據從業人員Golshan也坦承，在劣質合成數據上進行訓練可能會阻礙進步。
“網上越來越多的內容都是由AI生成的。隨着時間推移，這確實會導致退化，因爲這些大模型產生的知識都是重復的，沒有任何新的見解。
恭喜！您被選中獲“漲價題材”投資機會升級特權
【免責聲明】本文轉載上述內容出於傳遞更多信息之目的，可能存在不准確性，僅供參考。本文不構成對任何人的投資建議，平安證券不對因使用本資料而導致的損失承擔任何責任。平安證券對本資料擁有最終解釋權。投資有風險，入市需謹慎。
分享文章，和好友們一起看
微信
朋友圈
微博
推薦產品
換一換
人工智能ETF
0.863
-0.69%
加自選
AI人工智能ETF
1.311
-0.53%
加自選
疫苗ETF
0.801
1.65%
加自選
生物科技ETF
0.524
1.35%
加自選
閱讀更多
換一換
0719強勢股脫水 | 爲什么此次微軟AI產品定價這么重要？
07-19
拜登誓言防範AI風險：巨頭們自愿承諾還不夠 政府將採取更多行動
技術服務
0.39%
機器視覺
-1.29%
財聯社08:51
華爾街最喜歡AI的巨頭整出新活：用機器來寫研報匯編
人工智能
-1.02%
機器視覺
-1.29%
財聯社03:14
醫保談判不是“價格越低越好”！國家醫保局發文優化規則
醫療衛生
0.84%
疫苗
1.49%
證券時報07-21
以客戶需求爲本，長電科技爲多個應用場景开發一站式解決方案
長電科技
1.5%
電子設備
-1.16%
長電科技官微07-21

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。

---

標題：微軟、OpenAI用上“數據永動機” 合成數據是蜜糖還是砒霜？科創板日報07-

地址：https://www.breakthing.com/post/80625.html