微软、OpenAI用上“数据永动机” 合成数据是蜜糖还是砒霜？

微软、OpenAI、Cohere等公司已经开始测试使用合成数据来训练AI模型。一方面，网络上那些通用数据已不足以推动AI模型的性能提升，另一方面，真实数据售价高昂。但合成数据的负面影响堪比“毒药”，可能让AI大模型患上“痴呆症”。

编辑 | 郑远方

AI大模型对数据的庞大需求之下，AI公司们正在摸索一条获取数据的“新路”——从零开始自己“造”数据。

微软、OpenAI、Cohere等公司已经开始测试使用合成数据来训练AI模型。Cohere首席执行官Aiden Gomez表示，合成数据可以适用于很多训练场景，只是目前尚未全面推广。

已有的（通用）数据资源似乎接近效能极限，开发人员认为，网络上那些通用数据已不足以推动AI模型的性能发展。Gomez便指出，网络极为嘈杂混乱，“它并不能为你提供你真正想要的数据，网络无法满足我们的一切需求。”

之前，ChatGPT、Bard等聊天机器人的训练数据多来自于互联网，例如电子书、新闻文章、博客、推特与Reddit的推文帖子、Youtube视频、Flickr图片等。但随着AIGC技术愈发复杂，高质量数据的获取难度也越来越大。开发AI模型的科技公司们，也因不当使用数据而遭受多方抨击。

今年5月的一场活动上，OpenAI首席执行官Sam Altman曾被问及，是否担心监管部门调查ChatGPT可能侵犯用户隐私的事。Altman对此不置可否，并表示自己“非常有信心，很快所有数据都将是合成数据”。

▌人类真实数据售价高昂

为了大幅提高AI模型的性能，提升它们在科学、医学、商业等领域的水平，AI模型需要的是“独特且复杂”的数据集。而这类数据或是需要来自科学家、医生、作家、演员、工程师等“内行人”，或是需要从药企、银行、零售商等大型企业获取专业数据。

这也就带来了让AI公司们转向合成数据的另一层原因——数据太贵了。

且不说那些技术含量极高的制药、科学数据，光是之前Reddit和推特给出的数据采集要价，都被Gomez“嫌弃”价格太高。

其中，Reddit本月起开始对数据接口使用收费。根据第三方软件Apollo的开发者Christian Selig透露，Reddit收费标准为0.24美元/1000次API响应——对于Apollo来说，这大约相当于200万美元/月开销。

而根据推特今年3月发布的API政策，企业需要为抓取推文的API支付每月4万美元至20万美元不等的费用，对应可以获得5000万至2亿条推文。而测算数据显示，最低一个档次的套餐只约等于整体推文的0.3%。

在这种情况下，合成数据自然成了一个实惠方案，不仅可以避开这些数据的高昂售价，还能生成一些更复杂的数据来训练AI。

▌如何用合成数据训练？

具体如何用合成数据训练AI大模型？Gomez举了一个例子：

在训练一个高级数学模型时，Cohere可能会使用两个AI模型进行对话，其中一个扮演数学老师，另一个则充当学生。之后这两个模型就会就三角函数等数学问题对话，“其实一切都是模型‘想象’出来的”。

如果在这个过程中，模型说错了什么，人类就会在查看这段对话时作出纠正。

而微软研究院最近的两项研究，也表明合成数据可以用来训练AI模型，这些模型一般比OpenAI的GPT-4、谷歌的PaLM-2更小更简单。

在其中一篇论文中，GPT-4生成了一个名为“TinyStories”的短篇故事合成数据集，里面使用的单词全部非常简单，一个四岁儿童都能理解。这一数据集被用来训练一个简单的大语言模型，后者能生成流畅且语法正确的故事。

另一篇论文中，AI可以通过合成的Python代码进行训练，并在之后的编码任务中给出相对较好的表现。

▌蜜糖还是砒霜？

想要合成数据的客户有了，供应商自然也如雨后春笋般涌现，例如Scale AI、Gretel.ai等初创公司。Gretel.ai由来自美国国安局和中情局的前情报分析师成立，其已与谷歌、汇丰银行、Riot Games、Illumina等公司合作，用合成数据来扩充现有数据，帮助训练人工智能模型。

Gretel.ai首席执行官Ali Golshan表示，合成数据的关键在于，它既能保护数据集中所有个人的隐私，又能保持数据的统计完整性。

同时，合成数据还可以消除现有数据中的偏差和不平衡。“举例来说，对冲基金可以研究黑天鹅事件，我们可以创建一百种变体，看看模型能否破解；而对于银行来说，欺诈事件通常不到总数据的百分之一，Gretel的软件可以生成成千上万的欺诈案例，并以此训练AI模型。”

不过，也有人不看好合成数据。

反对派认为，并不是所有合成数据都经过精心调试，并能反映或改进真实世界。

来自牛津、剑桥、帝国理工等机构研究人员发现，合成数据的负面影响甚至堪比“毒药”。如果在训练时大量使用AI内容，会引发模型崩溃（model collapse），造成不可逆的缺陷。

新一代模型的训练数据会被上一代模型的生成数据所污染，从而对现实世界的感知产生错误理解。随着时间推移，模型就会忘记真实基础数据部分。即使在几乎理想的长期学习状态下，这个情况也无法避免——研究人员也将此形容为“AI大模型患上‘痴呆症’”。

即便是合成数据从业人员Golshan也坦承，在劣质合成数据上进行训练可能会阻碍进步。

“网上越来越多的内容都是由AI生成的。随着时间推移，这确实会导致退化，因为这些大模型产生的知识都是重复的，没有任何新的见解。

推荐阅读