ChatGPT是個通才，可以與各行各業(yè)的人們對話，因為它用來訓練的語言，來自整個網絡和人類所有的知識寶庫，并且建立在一個看似無所不包的知識體系之上。

無論是ChatGPT之類的聊天機器人，還是其他的內容生成技術與應用，背后都是日益強大的學習和訓練的計算系統(tǒng)，它們被稱為大型語言模型（LLM），動輒設置成千上萬億個參數(shù)。機器很難像人類一樣通過推理來進行有效的學習，所以機器學習的能力很大程度上依賴于海量的數(shù)據(jù)。

【資料圖】

但是，人類的語言是有限的，當計算機建立起越來越巨大的算力和強大的算法，自然語言作為“原料”供應，是不是終有一天像石油一樣，被人類開采枯竭？當前的機器學習模型依賴于不斷增長的巨大數(shù)據(jù)集，其發(fā)展趨勢是否可能會放緩？

是的，語言數(shù)據(jù)資源是有限的，高質量的語言數(shù)據(jù)更是有限的。

來自阿伯丁大學、麻省理工大學、圖賓根大學的Pablo Villalobos等6位計算機科學家，近日發(fā)布了一篇論文，名為《我們會用完數(shù)據(jù)嗎？機器學習中數(shù)據(jù)集縮放的局限性分析》。他們開發(fā)的概率模型，估算了2022年至2100年之間可用的語言和視覺數(shù)據(jù)的總量，估計了語言和視覺模型訓練數(shù)據(jù)集規(guī)模的演變趨勢，試圖發(fā)現(xiàn)由于可用數(shù)據(jù)耗盡而導致的趨勢的極限。

目前絕大多數(shù)存量數(shù)據(jù)是用戶生成的，存儲在社交媒體平臺、博客、論壇等。有三個因素決定了在一個給定的時間段內產生多少內容：人口數(shù)量、互聯(lián)網滲透率、每個互聯(lián)網用戶產生的平均數(shù)據(jù)量。

互聯(lián)網上的大部分文本數(shù)據(jù)對訓練大型語言模型（LLM）都沒有用，專業(yè)人士通常只使用高質量的數(shù)據(jù)來訓練模型，因為這是他們希望模型學習和效仿的語言類型。常見的高質量數(shù)據(jù)的來源是書籍、新聞文章、科學論文、維基百科和過濾后的網頁內容。這些數(shù)據(jù)源的一個共同特性是，它們經過了質量和有用性的篩選。例如，在新聞、科學文章或開源代碼項目中，有用性必須由專業(yè)標準（如同行評議）的篩選產生。

他們發(fā)現(xiàn)，語言數(shù)據(jù)枯竭情況比視覺數(shù)據(jù)嚴峻得多。

語言和視覺模型的數(shù)據(jù)存量的增長速度比訓練數(shù)據(jù)集的大小慢得多，所以如果按照目前的趨勢繼續(xù)下去，數(shù)據(jù)集最終會因為數(shù)據(jù)枯竭而停止增長。

對于語言模型來說，數(shù)據(jù)耗盡的情況將在2030年到2040年之間發(fā)生。語言大模型的訓練數(shù)據(jù)主要來自互聯(lián)網，現(xiàn)在的模型越做越大，已經把網上能收集到的網頁數(shù)據(jù)用的差不多了，或者說隨著算力投入的進一步增加，基本上能夠把網絡上收集到的數(shù)據(jù)全部用盡。

近在眼前的擔憂是，高質量語言數(shù)據(jù)在 2026 年之前耗盡。

高質量數(shù)據(jù)增長的放緩是不可避免的，對于高質量的語言數(shù)據(jù)來說尤其如此。高質量的數(shù)據(jù)集通常包括了50%的用戶生成內容，15%~20%的書籍，10%~20%的科學論文，近10%的代碼和近10%的新聞。

研究人員估算了數(shù)字化書籍、公共GitHub和科學論文中可用文本的全部數(shù)量，并假設其占據(jù)高質量數(shù)據(jù)集的30%到50%之間，從而預測出當前高質量語言數(shù)據(jù)的總存量為9萬億（即9e12，上下限大概為4.6萬億到17萬億）個單詞，每年增長率為 4% 到 5%。以高質量語言數(shù)據(jù)庫作為上限來預測語言數(shù)據(jù)集的增長，放緩發(fā)生得更早，在2026年之前。

相比之下，低質量語言數(shù)據(jù)的存量在69萬億~7.1億億個單詞之間，當前增長率在6.41%至17.49%之間。其中，谷歌這樣資金雄厚的大公司可用的數(shù)據(jù)存量約為100萬億個單詞；所有科技公司可用的約為1000萬億個單詞；全人類擁有約1億億個單詞，也包括了所有的短信、電話和視頻會議等所產生的數(shù)據(jù)。低質量數(shù)據(jù)集先是隨著時間推移會快速增長，達到2030年后，增長會大幅放緩，直到耗盡數(shù)據(jù)存量。

視覺數(shù)據(jù)的情況要復雜一些。

現(xiàn)在互聯(lián)網上的存量視覺數(shù)據(jù)數(shù)量在8.1萬億到23萬億之間，目前的年增長率在8%左右，視覺模型數(shù)據(jù)耗盡的情況將在2030年到2060年之間發(fā)生，相對于語言模型來說，目前看起來情況還沒有那么嚴重。IDEA研究院計算機視覺與機器人研究中心講席科學家張磊博士認為，主要原因是視覺數(shù)據(jù)的維度和復雜度要更高，使得現(xiàn)有模型能夠使用的數(shù)據(jù)量和網上存在的數(shù)據(jù)量相比還有比較大的差距。

“視覺數(shù)據(jù)更復雜，視覺方面的問題也更多樣化?，F(xiàn)在的視覺大模型通常都是針對全圖（whole image）理解的預訓練，即模型只是針對全圖做分類或圖文檢索類的學習，但是視覺還有很多細粒度的問題，比如物體檢測、視覺分割等，大模型學到的全圖表征用于細粒度問題也會性能遞減。這些困難使得視覺模型還不能簡單地用增加數(shù)據(jù)的方法來解決?！?/p>

張磊博士還強調，視覺模型繼續(xù)增加數(shù)據(jù)量，獲得的增益也會逐漸變小，這也需要視覺算法方面的進一步改進，因此，視覺大模型目前還沒有達到單純增加數(shù)據(jù)提高效果的階段，還有更多的問題需要研究。

如果未來數(shù)據(jù)效率提升，大模型用更少的數(shù)據(jù)就能實現(xiàn)相同的功能；如果證明縮放定律是錯誤的，即使數(shù)據(jù)效率沒有額外的提升，或許還有更好的方法來使用更少的數(shù)據(jù)；如果通過遷移學習，多模態(tài)模型可能被證明比單一模態(tài)的模型表現(xiàn)得更好，這將有效地增加數(shù)據(jù)存量，從而擴大所有數(shù)據(jù)模態(tài)存量的組合。

合成數(shù)據(jù)將來是一個重要的數(shù)據(jù)來源，這一點受到最近騰訊發(fā)布的AIGC報告的極度看好。MIT科技評論將AI合成數(shù)據(jù)列為2022年10大突破性技術之一；Gartner也預測稱，到2030年合成數(shù)據(jù)將徹底取代真實數(shù)據(jù)，成為訓練AI的主要數(shù)據(jù)來源。

此外，一些非自然語言的數(shù)據(jù)也會大量產生。例如，如果大規(guī)模采用自動駕駛汽車將導致空前數(shù)量的道路視頻記錄；如果擁有充足的預算（如有政府或大公司的參與），也許能夠增加數(shù)據(jù)的產出，特別是在針對特定領域的高質量數(shù)據(jù)。

目前一個問題仍在擺在眼前：更多的數(shù)據(jù)難道一定就會“喂養(yǎng)”出更好的模型嗎？也不一定。正如前文張磊博士所說的，“目前視覺模型的相關困難還不能簡單地用通過增加數(shù)據(jù)的方法來解決?！?/p>

關鍵詞：