人工数据6美元，合成数据6美分！但用它训练的AI却可能退化！

你好，我是王煜全，这里是王煜全要闻评论。

(资料图)

随着AI的迅猛发展，时不时会有人站出来说人类的种种缺陷会制约AI发展，刘慈欣说算力会不足，马斯克说电力会短缺，还有人说大模型让数据中心更费水了，现在又有人开始说人类数据不够了。

最近，《金融时报》的一篇报道称，微软、OpenAI和Cohere等公司正准备用合成数据来训练AI，也就是用AI生成的数据反过来训练AI，这样做有什么好处呢？

首先是弥补训练数据不足。 以前，OpenAI等公司都是从互联网上抓取现成的信息来训练大模型，包括新闻、博客、Twitter推文、Reddit帖子等等。

但是，如今来自互联网的通用数据已经不足以提升大模型的性能了，也就是说，人类创造的数据已经满足不了AI的胃口了。

但是最前沿的AI模型已经能够在写作、编程等领域接近人类水平，还能通过美国律师考试等基准测试，这意味着AI生成的数据质量提高了，开始有利用价值了。

比如，估值20亿美元的大模型初创公司Cohere就在使用合成数据。为了训练高等数学模型，Cohere让AI扮演两种角色，一个是数学导师，另一个是学生，他们两个讨论三角形相关的数学问题，由一个人类员工监督对话过程，纠正其中的错误，最终将AI生成的结果做成合成数据。

这还只是合成数据的好处之一，更重要的是，合成数据比人工数据更便宜。 合成数据服务商Al.Reverie指出，人工标注一张图片可能需要6美元，但人工合成的话只需要6美分。

互联网平台已经意识到了数据的价值，纷纷抬高了数据抓取的收费，今年3月，推特宣布推出新的API（应用程序接口）定价策略，企业用户最低价为每月4.2万美元，约合人民币30万元，却只能获得5000万条推文，约等于推特全部推文的0.3%。

这还只是普通数据，一些专业领域的数据，需要科学家、医生、工程师等专业人士或者机构来提供，也就更加昂贵。

看起来，合成数据对AI公司来说确实是一种经济实惠的解决方案，所以大受欢迎，OpenAI的CEO Sam Altman说，未来所有数据都将成为合成数据；Cohere的CEO Aidan Gomez认为，合成数据有可能加速超级智能的发展。

实际上，合成数据并不是新生事物，在生成式AI爆火之前就已经广泛应用于自动驾驶领域。 2016年，Waymo从现实世界收集了300万英里的驾驶数据，之后生成了25亿英里的模拟驾驶数据，来训练自动驾驶系统，这大大提高了自动驾驶的训练效率。

但是，当合成数据应用于生成式AI时，却会出现一些不容忽视的问题。

斯坦福大学和莱斯大学的科学家发现，将AI生成的内容输入AI模型，似乎会导致AI能力退化，他们的结论是，如果没有人类原创的“新鲜的真实数据”，只用AI生成内容进行训练，就会导致输出质量和多样性逐渐下降，他们把这种现象称为Model Autophagy Disorder，翻译过来是模型自噬障碍，简称MAD，也就是“疯狂”的英文单词。

他们起这个名字更多的是一种隐喻，如果只是简单粗暴的用合成数据训练AI，就可能把AI训练成疯子。

但是，这并不意味着合成数据就没有价值了，只是需要技术调优，利用生成式对抗网络等技术，提升数据质量。不过，这还只是一部分的解决方案，未来，人类的真实数据仍有巨大的挖潜空间。

我在科技特训营中提出，人工智能的训练数据将从文本，扩展为图片、视频等2D数据，甚至3D数据，虽然现在的技术能力还不足以把这些数据都利用起来，却是未来的必然趋势。除了这些泛化的数据，一些专业领域的数据也很有利用价值。所以，并不是人类创造的“新鲜”数据见顶，而是AI公司可以免费抓取的互联网数据见顶了。

换句话说，就是数据领域的低垂果实基本被摘完了，平台接口费用的上升，以及专业数据的成本问题，导致AI公司倾向于利用更便宜的合成数据。

对于大模型基础平台公司来说，数据的数量可能比质量重要，因为他们训练的是全知全能的“通用型”AI。

但是，对AI创业者来说，我们一直强调要从应用需求切入，利用专家级数据，不断打磨AI的专业素质与能力，复制顶级专家经验，打造出高端化、个性化、持续化、普惠化的AI服务，所以，最关键不是盲目跟风使用合成数据，而是学会数据掘金，挖掘高质量数据，发挥数据的最大价值。

以上是今天的内容，更多详细的产业分析和底层逻辑，我会在科技特训营里分享。欢迎关注全球风口微信号，报名加入！

另外，2024年CES展在明年的1月9日～12日举行，我们还会组织“CES前哨创新考察”活动，我和万维钢老师、一苒老师带队，为大家带来最前沿的科技产业洞察 ，欢迎感兴趣的朋友扫描下方二维码报名。

明年1月的拉斯维加斯，咱们一起同行！

王煜全要闻评论，我们明天见！

关键词：