AI胃口太大，人類的語料數據已經不夠吃了。來自Epoch團隊的一篇新論文表明，AI不出5年就會把所有高質量語料用光。

要知道，這可是把人類語言數據增長率考慮在內預測出的結果，換而言之，這幾年人類新寫的論文、新編的代碼，哪怕全都喂給AI也不夠。照這么發展下去，依賴高質量數據提升水平的語言大模型，很快就要迎來瓶頸。

已經有網友坐不住了：這太荒謬了。人類無需閱讀互聯網所有內容，就能高效訓練自己。我們需要更好的模型，而不是更多的數據。還有網友調侃，都這樣了不如讓AI吃自己吐的東西：可以把AI自己生成的文本當成低質量數據喂給AI。

讓我們來看看，人類剩余的數據還有多少？

論文主要針對文本和圖像兩類數據進行了預測。首先是文本數據。數據的質量通常有好有壞，作者們根據現有大模型采用的數據類型、以及其他數據，將可用文本數據分成了低質量和高質量兩部分。高質量語料，參考了Pile、PaLM和MassiveText等大型語言模型所用的訓練數據集，包括維基百科、新聞、GitHub上的代碼、出版書籍等。低質量語料，則來源于Reddit等社交媒體上的推文、以及非官方創作的同人小說（fanfic）等。

根據統計，高質量語言數據存量只剩下約4.6×10^12~1.7×10^13個單詞，相比當前最大的文本數據集大了不到一個數量級。結合增長率，論文預測高質量文本數據會在2023~2027年間被AI耗盡，預估節點在2026年左右。看起來實在有點快……

當然，可以再加上低質量文本數據來救急。根據統計，目前文本數據整體存量還剩下7×10^13~7×10^16個單詞，比最大的數據集大1.5~4.5個數量級。如果對數據質量要求不高，那么AI會在2030年~2050年之間才用完所有文本數據。

再看看圖像數據，這里論文沒有區分圖像質量。目前最大的圖像數據集擁有3×10^9張圖片。據統計，目前圖片總量約有8.11×10^12~2.3×10^13張，比最大的圖像數據集大出3~4個數量級。論文預測AI會在2030~2070年間用完這些圖片。

顯然，大語言模型比圖像模型面臨著更緊張的“缺數據”情況。那么這一結論是如何得出的呢？論文從兩個角度，分別對文本圖像數據生成效率、以及訓練數據集增長情況進行了分析。值得注意的是，論文統計的不都是標注數據，考慮到無監督學習比較火熱，把未標注數據也算進去了。

以文本數據為例，大部分數據會從社交平臺、博客和論壇生成。為了估計文本數據生成速度，有三個因素需要考慮，即總人口、互聯網普及率和互聯網用戶平均生成數據量。例如，這是根據歷史人口數據和互聯網用戶數量，估計得到的未來人口和互聯網用戶增長趨勢。再結合用戶生成的平均數據量，就能計算出生成數據的速率。（由于地理和時間變化復雜，論文簡化了用戶平均生成數據量計算方法）

根據這一方法，計算得出語言數據增長率在7%左右，然而這一增長率會隨著時間延長逐漸下降。預計到2100年，我們的語言數據增長率會降低到1%。同樣類似的方法分析圖像數據，當前增長率在8%左右，然而到2100年圖像數據增長率同樣會放緩至1%左右。

論文認為，如果數據增長率沒有大幅提高、或是出現新的數據來源，無論是靠高質量數據訓練的圖像還是文本大模型，都可能在某個階段迎來瓶頸期。

對此有網友調侃，未來或許會有像科幻故事情節一樣的事情發生：人類為了訓練AI，啟動大型文本生成項目，大家為了AI拼命寫東西。他稱之為一種“對AI的教育”：我們每年給AI送14萬到260萬單詞量的文本數據，聽起來似乎比《黑客帝國》中人類當電池要更酷？

你覺得呢？

論文地址：https://arxiv.org/abs/2211.04325 參考鏈接：https://twitter.com/emollick/status/1605756428941246466

聲明：內容來源于互聯網，不代表本站觀點。

熱點：數據