ChatGPT等模型：到2026年，将消耗尽高质量训练数据

　　本文来自于微信公众号 AIGC开放社区(ID:AIGCOPEN)，作者:AIGC开放社区。

　　《麻省理工技术评论》曾在官网发表文章表示，随着ChatGPT等大模型的持续火热，对训练数据的需求越来越大。大模型就像是一个“网络黑洞”不断地吸收，最终会导致没有足够的数据进行训练。

　　而知名AI研究机构Epochai直接针对数据训练问题发表了一篇论文，并指出，到2026年，大模型将消耗尽高质量数据;到2030年—2050年，将消耗尽所有低质量数据;

　　到2030年—2060年，将消耗尽所有图像训练数据。(这里的数据指的是，没有被任何标记、污染过的原生数据)

　　事实上，训练数据的问题已经显现。OpenAI表示，缺乏高质量训练数据将成为开发GPT-5的重要难题之一。这就像人类上学一样，当你的知识水平达到博士级别时，再给你看初中的知识对学习毫无帮助。

　　所以，OpenAI为了增强GPT-5的学习、推理和AGI通用能力，已建立了一个“数据联盟”，希望大面积搜集私密、超长文本、视频、音频等数据，让模型深度模拟、学习人类的思维和工作方式。

　　目前，冰岛、Free Law Project等组织已加入该联盟，为OpenAI提供各种数据，帮助其加速模型研发。

　　此外，随着ChatGPT、Midjourney、Gen-2等模型生成的AI内容进入公共网络，这对人类构建的公共数据池将产生严重污染，会出现同质化、逻辑单一等特征，加速高质量数据消耗的进程。

　　高质量训练数据，对大模型研发至关重要

　　从技术原理来看，可以把大语言模型看成“语言预测机器”， 通过学习大量文本数据，建立起单词之间的关联模式，然后利用这些模式来预测文本的下一个单词或句子。

　　Transformer便是最著名、应用最广泛的架构之一，ChatGPT等借鉴了该技术。

　　简单来说，大语言模型就是“照葫芦画瓢”，人类怎么说它就怎么说。所以，当你使用ChatGPT等模型生成文本时，会感觉这些文本内容的叙述模式在哪里见过。

　　因此，训练数据的质量直接决定了大模型学习的结构是否准确。如果数据中包含了大量语法错误、措辞不当、断句不准、虚假内容等，那么模型预测出来的内容自然也包含这些问题。

　　例如，训练了一个翻译模型，但使用的数据都是胡编乱造的低劣内容，AI翻译出来的内容自然会非常差。

　　这也是为什么我们经常会看到很多参数很小，性能、输出能力却比高参数还强的模型，主要原因之一便是使用了高质量训练数据。

　　大模型时代，数据为王

　　正因数据的重要性，高质量的训练数据成为OpenAI、百度、Anthropic、Cohere等厂商必争的宝贵资源，成为大模型时代的“石油”。

　　早在今年3月，国内还在疯狂炼丹研究大模型时，百度已经率先发布了对标ChatGPT的生成式AI产品——文心一言生。

　　除了超强的研发能力之外，百度通过搜索引擎积累的20多年庞大的中文语料数据帮了大忙，并在文心一言的多个迭代版本中发挥重要作用，遥遥领先国内其他厂商。

　　高质量数据通常包括出版书籍、文学作品、学术论文、学校课本、权威媒体的新闻报道、维基百科、百度百科等，经过时间、人类验证过的文本、视频、音频等数据。

　　但研究机构发现，这类高质量数据的增长非常缓慢。以出版社书籍为例，需要经过市场调研、初稿、编辑、再审等繁琐流程，耗费几个月甚至几年时间才能出版一本书，这种数据产出速度，远远落后大模型训练数据需求的增长。

　　从大语言模型过去4年的发展趋势来看，其年训练数据量的增速超过了50%。也就是说，每过1年就需要双倍的数据量来训练模型，才能实现性能、功能的提升。

　　所以，你会看到很多国家、企业严格保护数据隐私以及制定了相关条例，一方面，是保护用户的隐私不被第三方机构搜集，出现盗取、乱用的情况;

　　另一方面，便是为了防止重要数据被少数机构垄断和囤积，在技术研发时无数据可用。

　　到2026年，高质量训练数据可能会用光

　　为了研究训练数据消耗问题，Epochai的研究人员模拟了从2022年—2100年，全球每年产生的语言和图像数据，然后计算这些数据的总量。

　　又模拟了ChatGPT等大模型对数据的消耗速率。最后，比较了数据增长速度和被消耗的速度，得出了以下重要结论:

　　在当前大模型的高速发展趋势下， 到2030年—2050年将消耗尽所有低质量数据;高质量数据，极有可能在2026年就会消耗完。

　　到2030年—2060年，将消耗尽所有图像训练数据;到2040年，由于缺乏训练数据，大模型的功能迭代可能会出现放缓的迹象。

　　研究人员使用了两个模型进行了计算:第一个模型，通过大语言和图像模型两个领域实际使用的数据集增长趋势，再利用历史统计数据进行外推，预测它们何时会达到消耗峰值和平均消耗。

　　第二个模型:预测未来每年全球范围内将产生多少新数据。该模型基于三个变量，全球人口数量、互联网普及率和平均每个网民每年产生的数据。

　　同时研究人员使用联合国数据拟合出人口增长曲线，用一个S型函数拟合互联网使用率，并做出每人每年产数据基本不变的简单假设，三者相乘即可估算全球每年的新数据量。

　　该模型已经准确预测出Reddit(知名论坛)每个月产出的数据，所以，准确率很高。

　　最后，研究人员将两个模型进行相结合得出了以上结论。

　　研究人员表示，虽然这个数据是模拟、估算出来的，存在一定的不确定性。但为大模型界敲响了警钟，训练数据可能很快成为制约AI模型扩展和应用的重要瓶颈。

　　AI厂商们需要提前布局数据再生、合成的有效方法，避免在发展大模型的过程中出现断崖式数据短缺。‍

　　本文素材来源麻省理工科技评论官网、Epochai论文，如有侵权请联系删除