合成数据能否让AI模型精确可靠？

人工智能（AI）初创公司xAI创始人埃隆·马斯克近日表示：“在AI训练中，我们现在基本上耗尽了人类知识的累积总和。”之前研究也表明，人类生成的真实数据将在2到8年内消耗殆尽。鉴于真实数据日益稀缺，为满足AI的“胃口”，科技行业正转向使用合成数据。

澳大利亚“对话”网站在本月稍早时间报道中指出，合成数据具有诸多优势，但过度依赖合成数据也可能削弱AI的精确性和可靠性。

合成数据应运而生

以往，科技公司主要依赖真实数据来构建、训练和改进AI模型。真实数据是指由人类创建的文本、视频和图像。它们通过调查、实验、观察或挖掘网站和社交媒体等途径被收集而来。

真实数据因蕴含真实事件以及其场景和背景而极具价值，但其并非尽善尽美。它可能掺杂拼写错误、不一致或无关的内容，甚至潜藏严重偏见，导致生成式AI模型在某些情况下创建的图像仅展示男性或白人形象。

但真实数据日益匮乏，因为人类生成数据的速度赶不上AI不断增长的需求。

美国开放人工智能研究中心联合创始人伊利亚·苏茨克维尔在去年12月举行的机器学习会议上声称，AI行业已触及他所称的“数据峰值”，AI的训练数据如同化石燃料一样面临着耗尽的危机。此外，有研究预测，到2026年，ChatGPT等大型语言模型的训练将耗尽互联网上所有可用文本数据，届时将没有新的真实数据可供使用。

为给AI提供充足的“养分”，一种由算法生成的、模仿真实世界情况的数据——合成数据应运而生。合成数据是在数字世界中创造的，而非从现实世界收集或测量而来。它可以作为真实世界数据的替代品，来训练、测试、验证AI模型。

从理论上来说，合成数据为训练AI模型提供了一种经济高效且快捷的解决方案。它有效解决了AI训练使用真实数据时饱受诟病的隐私问题和道德问题，尤其是涉及个人健康数据等敏感信息时。更重要的是，与真实数据不同，合成数据在理论上可以无限供应。

研究机构高德纳公司估计，2024年AI及分析项目使用的数据中，约60%是合成数据。到2030年，AI模型使用的绝大部分数据将是由AI生成的合成数据。

科技公司来者不拒

事实上，微软、元宇宙平台公司，以及Anthropic等众多科技头部企业和初创企业，已经开始广泛使用合成数据来训练其AI模型。

例如，微软在1月8日开源的AI模型“Phi-4”，便是合成数据携手真实数据训练的；谷歌的“Gemma”模型也采用了类似方法。Anthropic公司也利用部分合成数据，开发出其性能最优异的AI系统之一“Claude 3.5 Sonnet”。苹果自研AI系统Apple Intelligence，在预训练阶段，也大量使用了合成数据。

随着科技公司对合成数据的需求与日俱增，生产合成数据的工具也接踵而至。

英伟达公司发布的3D仿真数据生成引擎Omniverse Replicator，能够生成合成数据，用于自动驾驶汽车和机器人训练。去年6月，英伟达开源了Nemotron-4340b系列模型，开发者可使用该模型生成合成数据，用于训练大型语言模型，以应用于医疗保健、金融、制造、零售等行业。在医疗、金融等专业领域，该模型能够根据特定需求生成高质量的合成数据，帮助构建更为精准的行业专属模型。微软推出的开源合成数据工具Synthetic Data Showcase则旨在通过生成合成数据和用户界面，实现隐私保护的数据共享和分析。亚马逊云科技推出的Amazon SageMaker Ground Truth也能为用户生成数十万张自动标记的合成图像。

此外，去年12月，元宇宙平台公司推出开源大模型Llama 3.3，更是大幅降低了生成合成数据的成本。

过度依赖风险难测

尽管合成数据暂时解决了AI训练的燃眉之急，但它也并非尽善尽美。

一个关键问题在于：当AI模型过于依赖合成数据时，它们可能会“崩溃”。它们会产生更多“幻觉”，编造看似合理可信但实际上并不存在的信息。而且，AI模型的质量和性能也会飞速下降，甚至无法使用。例如，某个AI模型生成的数据出现了一些拼写错误，利用这些充满了错误的数据训练其他模型，这些AI模型必定会“以讹传讹”，导致更大的错误。

此外，合成数据也存在过于简单化的风险。它可能缺乏真实数据集蕴含的细节和多样性，这可能导致在其上训练的AI模型的输出也过于简单，缺乏实用性。

为解决这些问题，国际标准化组织需要着手创建强大的系统，来跟踪和验证AI训练数据。此外，AI系统可以配备元数据追踪功能，让用户或系统能对合成数据进行溯源。人类也需要在AI模型的整个训练过程中对合成数据进行监督，以确保其高质量且符合道德标准。

AI的未来在很大程度上取决于数据的质量，合成数据将在克服数据短缺方面发挥越来越重要的作用。对合成数据的使用，人们必须保持谨慎态度，尽量减少错误，确保其作为真实数据的可靠补充，从而保障AI系统的准确性和可信度。