人工智能训练数据耗尽了怎么办？

近日，马斯克在社交平台X上的一场直播对话中表示，人工智能训练数据已经耗尽：

“我们基本上已经用尽了人类知识的累积总和来进行AI训练，这种情况大约在去年就已经发生了。”

马斯克的观点与前OpenAI首席科学家Ilya Sutskever不谋而合。去年12月，Sutskever在机器学习会议NeurIPS上表示，AI行业已经达到了他所谓的“数据峰值”，训练数据的缺乏将迫使AI模型的开发方式发生转变。

不过，面对数据耗尽的困境，马斯克提出了一个可能的解决方案：

“唯一的补充方法是使用合成数据，即由AI模型自己生成的数据。通过合成数据，AI将对自身进行评分，并经历一个自学习的过程。”

事实上，包括微软、Meta、OpenAI、Anthropic等在内的科技巨头已经开始使用合成数据来训练AI模型了。据信息技术研究和顾问公司Gartner估计，2024年用于AI训练和分析项目的数据中，有60%是合成的。

微软最近开源的Phi-4模型就是使用合成数据和真实世界数据共同训练的。谷歌的Gemma模型、Anthropic的Claude 3.5 Sonnet系统以及Meta最新的Llama系列模型也都采用了类似的方法。

分析师表示，使用合成数据进行训练还能够节约成本。AI初创公司Writer声称，其几乎完全使用合成数据源开发的Palmyra X 004模型仅花费了70万美元，而相比之下，OpenAI同等规模模型的开发成本估计为460万美元。

不过需要注意的是，使用合成数据也存在一些潜在风险。一些研究表明，合成数据可能导致模型崩溃，即模型的输出变得不够“创新”，反而更加偏颇，最终严重影响模型的功能。由于合成数据是由模型生成的，如果用于训练这些模型的数据本身存在偏见和局限性，那么它们的输出也会受到同样的影响。