科技日報記者 劉霞

人工智能（AI）初創公司xAI創始人埃隆·馬斯克近日表示：“在AI訓練中，我們現在基本上耗盡了人類知識的累積總和。”之前研究也表明，人類生成的真實數據將在2到8年內消耗殆盡。鑒于真實數據日益稀缺，為滿足AI的“胃口”，科技行業正轉向使用合成數據。

澳大利亞“對話”網站在本月稍早時間報道中指出，合成數據具有諸多優勢，但過度依賴合成數據也可能削弱AI的精確性和可靠性。

合成數據應運而生

以往，科技公司主要依賴真實數據來構建、訓練和改進AI模型。真實數據是指由人類創建的文本、視頻和圖像。它們通過調查、實驗、觀察或挖掘網站和社交媒體等途徑被收集而來。

真實數據因蘊含真實事件以及其場景和背景而極具價值，但其并非盡善盡美。它可能摻雜拼寫錯誤、不一致或無關的內容，甚至潛藏嚴重偏見，導致生成式AI模型在某些情況下創建的圖像僅展示男性或白人形象。

但真實數據日益匱乏，因為人類生成數據的速度趕不上AI不斷增長的需求。

美國開放人工智能研究中心聯合創始人伊利亞·蘇茨克維爾在去年12月舉行的機器學習會議上聲稱，AI行業已觸及他所稱的“數據峰值”，AI的訓練數據如同化石燃料一樣面臨著耗盡的危機。此外，有研究預測，到2026年，ChatGPT等大型語言模型的訓練將耗盡互聯網上所有可用文本數據，屆時將沒有新的真實數據可供使用。

為給AI提供充足的“養分”，一種由算法生成的、模仿真實世界情況的數據——合成數據應運而生。合成數據是在數字世界中創造的，而非從現實世界收集或測量而來。它可以作為真實世界數據的替代品，來訓練、測試、驗證AI模型。

從理論上來說，合成數據為訓練AI模型提供了一種經濟高效且快捷的解決方案。它有效解決了AI訓練使用真實數據時飽受詬病的隱私問題和道德問題，尤其是涉及個人健康數據等敏感信息時。更重要的是，與真實數據不同，合成數據在理論上可以無限供應。

研究機構高德納公司估計，2024年AI及分析項目使用的數據中，約60%是合成數據。到2030年，AI模型使用的絕大部分數據將是由AI生成的合成數據。

科技公司來者不拒

事實上，微軟、元宇宙平臺公司，以及Anthropic等眾多科技頭部企業和初創企業，已經開始廣泛使用合成數據來訓練其AI模型。

例如，微軟在1月8日開源的AI模型“Phi-4”，便是合成數據攜手真實數據訓練的；谷歌的“Gemma”模型也采用了類似方法。Anthropic公司也利用部分合成數據，開發出其性能最優異的AI系統之一“Claude 3.5 Sonnet”。蘋果自研AI系統Apple Intelligence，在預訓練階段，也大量使用了合成數據。

隨著科技公司對合成數據的需求與日俱增，生產合成數據的工具也接踵而至。

英偉達公司發布的3D仿真數據生成引擎Omniverse Replicator，能夠生成合成數據，用于自動駕駛汽車和機器人訓練。去年6月，英偉達開源了Nemotron-4340b系列模型，開發者可使用該模型生成合成數據，用于訓練大型語言模型，以應用于醫療保健、金融、制造、零售等行業。在醫療、金融等專業領域，該模型能夠根據特定需求生成高質量的合成數據，幫助構建更為精準的行業專屬模型。微軟推出的開源合成數據工具Synthetic Data Showcase則旨在通過生成合成數據和用戶界面，實現隱私保護的數據共享和分析。亞馬遜云科技推出的Amazon SageMaker Ground Truth也能為用戶生成數十萬張自動標記的合成圖像。

此外，去年12月，元宇宙平臺公司推出開源大模型Llama 3.3，更是大幅降低了生成合成數據的成本。

過度依賴風險難測

盡管合成數據暫時解決了AI訓練的燃眉之急，但它也并非盡善盡美。

一個關鍵問題在于：當AI模型過于依賴合成數據時，它們可能會“崩潰”。它們會產生更多“幻覺”，編造看似合理可信但實際上并不存在的信息。而且，AI模型的質量和性能也會飛速下降，甚至無法使用。例如，某個AI模型生成的數據出現了一些拼寫錯誤，利用這些充滿了錯誤的數據訓練其他模型，這些AI模型必定會“以訛傳訛”，導致更大的錯誤。

此外，合成數據也存在過于簡單化的風險。它可能缺乏真實數據集蘊含的細節和多樣性，這可能導致在其上訓練的AI模型的輸出也過于簡單，缺乏實用性。

為解決這些問題，國際標準化組織需要著手創建強大的系統，來跟蹤和驗證AI訓練數據。此外，AI系統可以配備元數據追蹤功能，讓用戶或系統能對合成數據進行溯源。人類也需要在AI模型的整個訓練過程中對合成數據進行監督，以確保其高質量且符合道德標準。

AI的未來在很大程度上取決于數據的質量，合成數據將在克服數據短缺方面發揮越來越重要的作用。對合成數據的使用，人們必須保持謹慎態度，盡量減少錯誤，確保其作為真實數據的可靠補充，從而保障AI系統的準確性和可信度。