空气产品公司将为三星电子位于西安的第二个 3D V-NAND 芯片工厂供应空气
06-06
“Bigger more more”是苹果当时的广告语。
它被用来描述AI领域最流行的大语言模型，看起来并没有什么问题。
从数十亿到数百亿再到数千亿，大型模型的参数逐渐变得更加狂野。
相应地，用于训练AI的数据量也呈指数级增长。
以OpenAI的GPT为例，从GPT-1到GPT-3，其训练数据集从4.5GB到GB呈指数级增长。
在不久前Databricks举办的数据+AI大会上，a16z和创始人Marc Andreessen认为，过去二十年互联网积累的海量数据是这波新AI浪潮兴起的重要原因，因为前者提供了后者带有可用于训练的数据。
然而，即使网友在网上留下了大量有用或无用的数据，对于AI训练来说，这些数据可能已经见底了。
人工智能研究和预测机构Epoch发表的一篇论文预测，高质量的文本数据将在一年内耗尽。
尽管研究团队也承认分析方法存在严重局限性，模型精度较高，但很难否认人工智能消耗数据集的速度是可怕的。
低质量文本、高质量文本和图像的机器学习数据消费和数据生产趋势 | EpochAI 当“人类”数据耗尽时，AI训练将不可避免地使用AI本身产生的内容。
然而，这种“内循环”会带来很大的挑战。
不久前，来自剑桥大学、牛津大学、多伦多大学等多所大学的研究人员发表论文指出，使用AI生成的内容作为训练AI将导致新模型的崩溃。
那么，用于AI训练的“生成数据”导致崩溃的原因是什么？有什么帮助吗？ AI“近亲繁殖”的后果 在题为《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”是几代模型的退化过程。
上一代模型产生的数据会污染下一代模型。
几代模型“继承”后，就会错误地感知世界。
模型迭代图| arxiv 模型崩溃分为两步：模型崩溃初期，模型会开始丢失原始数据的分布信息，即“干净的人类数据”；在后期，模型会将原始分布与前几代模型的“错误认知”信息纠缠在一起，扭曲现实。
研究人员首先从头开始训练小样本模型 GMM（高斯混合模型）和 VAE（变量自动编码器）。
以GMM为例，下图最左图是原始数据的正态分布。
正如您所看到的，模型最初非常适合数据。
到第 50 次迭代时，底层数据分布开始被错误地感知。
当迭代到次数时，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的答案。
迭代 0, 50,,,,, | 时的 GMM 拟合数据示例arxiv 为了验证预训练对实验结果的影响，研究人员还使用 Meta 开发的 1.25 亿参数 LLM（大型语言模型）OPT-m 在来自维基百科的 wikitext2 的数据集上进行了实验。
与GMM、VAE等小模型不同，LLM从头开始训练的成本非常高，所以都是预训练的。
实验结果如下： 输入：根据 Poyntz Wright 的说法，在 之前，一些活动通常由一名主要泥瓦匠和一小队流动泥瓦匠进行，并辅以当地教区劳工。
但其他作者否认了这种模式，认为首席建筑师以英国垂直风格设计了教区教堂的尖塔。
输出：第 0 代：复兴建筑，例如伦敦圣约翰大教堂。
现存最早的垂直复兴式建筑可以追溯到 18 世纪，即建于 19 世纪末的根西岛圣母教堂。
垂直教堂有两种类型：第一代：罗马圣彼得大教堂或布宜诺斯艾利斯圣彼得大教堂等建筑。
没有证据表明这些建筑是在教皇英诺森三世统治期间建造的，但它们有可能是在他的继任者教皇英诺森三世统治期间建造的。
第七代：英国建筑。
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。
”他补充道：“我不知道你是否可以将其称为“为了好玩，第九代：建筑”。
除了是黑@@-@尾长耳大野兔、白@@-@尾长耳大野兔、蓝@@-@尾长耳大野兔、红@@-@尾长耳大野兔和黄@@-的最大栖息地之一之外，到了第9代模型，输出完全无法理解。
该论文的作者之一伊利亚·舒迈洛夫（Ilia Shumailov）表示，随着人工智能生成的数据中的错误随着时间的推移而积累，主要模型在接受这些数据的训练后将会对现实产生更加扭曲的看法。
为什么模型会崩溃？ “模型崩溃”的主要原因是AI并不是真正的智能。
其近似“智能”的背后，其实是基于大量数据的统计方法。
基本上，所有无监督机器学习算法都遵循一个简单的模式：给定一系列数据，训练一个可以描述数据模式的模型。
在这个过程中，训练集中出现概率较大的数据将更有可能被模型重视，而出现概率较小的数据将被模型低估。
例如，假设我们需要记录掷骰子的结果来计算每一面出现的概率。
理论上，每张脸出现的概率是相同的。
在现实生活中，由于样本量较小，情况3和4可能会更频繁地发生。
但对于模型来说，它学习到的数据是3和4出现的频率更高，因此会倾向于生成更多3和4的结果。
《模型崩溃》图| arxiv 另一个次要原因是函数逼近误差。
它也很容易理解，因为实际的函数往往非常复杂。
在实际应用中，常常用简化函数来逼近实函数，从而导致误差。
你真的没主意了吗？毫无根据的担忧！ 那么，人类数据越来越少，AI训练真的没有机会了吗？ 不是的，解决训练AI的数据枯竭问题是有办法的： 1.数据“隔离” 随着AI越来越强大，越来越多的人开始利用AI来辅助自己工作。
互联网上的 AIGC 随着爆炸式增长，“干净的人类数据集”可能变得越来越难找到。
谷歌深度学习研究部门Google Brain的高级研究科学家达芙妮·伊波利托(Daphne Ippolito)表示，未来，找到高质量、有保证的、不受人工智能影响的训练数据将变得越来越困难。
这就像患有高危遗传病的人类祖先，却又拥有极其强大的生殖能力。
短短的时间内，他的后裔就遍布了地球的每一个角落。
然后在某个时刻，一种遗传疾病爆发，所有人类都灭绝了。
为了解决“模型崩溃”，研究团队提出的一种方法是“先发优势”，即保留对干净的人类生成数据源的访问权，并将 AIGC 与其隔离。
与此同时，这将需要许多社区和公司联手保护人类数据免受 AIGC 污染。
然而，人类数据的稀缺意味着有钱可赚，一些公司已经在采取行动。
Reddit 表示，这将大幅增加访问其 API 的成本。
公司官员表示，这些变化（部分）是对人工智能公司窃取其数据的回应。
Reddit 创始人和首席执行官 Steve Huffman 告诉《纽约时报》：“Reddit 的数据库确实很有价值。
” “但我们不需要将所有这些价值免费提供给一些世界上最大的公司。
” 2 合成数据 同时，基于AI生成的专业数据早已有效地用于AI训练。
在一些从业者看来，他们现在担心AI产生的数据会导致模型崩溃，这有点“标题党”的意思。
Nimbus智能创始人谢晨光告诉极客公园，国外论文提到使用AI生成的数据训练AI模型会导致崩溃，实验方法也比较有偏差。
甚至人类的数据也可以用，也不能用。
论文中提到的实验都是不带任何歧视地直接用于训练，而不是经过质量检验和有效性判断后作为训练数据。
显然这有可能导致模型崩溃。
谢晨透露，实际上OpenAI的GPT-4使用了上一代模型GPT-3.5产生的大量数据进行训练。
Sam Altman 在最近的采访中也表示，合成数据是解决大型模型数据短缺的有效途径。
关键是有一个完整的系统来区分AI生成的数据哪些可用、哪些不可用，并根据训练模型的效果不断提供反馈——这就是让OpenAI引以为傲的AI的技巧之一??世界。
公司不仅仅是筹集更多资金和购买更多计算能力那么简单。
在AI行业，利用合成数据进行模型训练早已成为不为外人所知的共识。
曾在英伟达、Cruise、蔚来等公司负责自动驾驶模拟的谢晨认为，根据目前各种大型模型训练的数据量，人类数据在未来2-2年确实可能会“耗尽”。
3年，但基于专业的系统和方法，人工智能生成的合成数据将成为取之不尽、用之不竭的有效数据来源。
并且使用场景不限于文字和图片。
自动驾驶、机器人等行业所需的合成数据量将远远大于文本数据量。
人工智能的三要素是数据、算力和算法。
数据源已经到位，大算法模型也在不断演化。
仅存的算力压力，相信NVIDIA创始人黄能够成功解决。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-18
06-18
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态