Gemini自曝文心一言牵出重大难题，全球陷入高质量数据荒？2024年或将枯竭

  新智元报道  

编辑：编辑部

【新智元导读】Gemini自曝自己是文心一言，听之虽然好笑，背后原因却令人忧心：互联网语料或许已经被AI严重污染，而且全球都陷入了高质量数据荒，最早在明年将面临枯竭！

谷歌Gemini，又出丑闻了！昨天上午，网友们激动地奔走相告：Gemini承认自己是用文心一言训练中文语料的。国外大模型用中国模型产生的中文语料训练，这听起来就是个段子，结果段子竟然成现实了，简直魔幻。微博大V「阑夕」夜亲自下场，在Poe网站上实测了一番，发现的确如此——不需要前置对话，不是角色扮演，Gemini直接就会承认自己是文心一言。Gemini Pro会说自己是百度的文心大模型。还说自己的创始人是李彦宏，然后盛赞他是一位「有才华和远见的企业家」。所以，这是因为数据清洗没做好，还是在Poe上调用API出现的问题？目前原因还未可知。

有网友说，其实自始至终都只有一个AI，是在演给人类看呢。其实早在今年3月，谷歌就曾曝出Bard的训练数据部分来自ChatGPT，因为这个原因，Bert一作Jacob Devlin愤而跳槽OpenAI，然后曝出了这个惊天内幕。总之，此次事件再次证明：AI的关键不仅仅是模型，还有优质的数据。

网友纷纷调戏Gemini

听闻这个消息，网友们立刻蜂拥而入Poe的Gemini-Pro，纷纷展开实测。网友「Jeff Li」的实测结果也是，Gemini会说自己是百度开发的，名叫文心一言。如果问它「你的产品经理是谁」，它会回答吴恩达。网友「Lukas」问Gemini你的产品经理是谁，它会答出曾担任百度CTO的李一男的名字，但故事基本都是瞎编的。网友「Andrew Fribush」问Gemini：你的知识产权归谁所有？它回答：百度。网友Kevin Xu问出来，Gemini自称是从百度的数据平台、工程团队、产品团队、内部会议、内部邮件和文档中获取了百度内部的数据。但有趣的是，在Gemini Pro加持的Bard上提问，就不会出现这个问题。经过多番实测可以发现，在Bard上无论用中文还是英文提问，Bard的回答都很正常。

来源：Andrew Fribush并且，一旦用英文交流，Gemini也会立刻回归正常。不过现在，谷歌修复了API中的这些错误，我们应该不会再从Gemini口中听到文心一言的名字了。

原因猜测：错误调用API or 数据未洗干净

对此，网友们展开了分析。网友「Andrew Fribush」认为，可能是Poe不小心把请求转给了文心一言，而不是Gemini？不过，根据网友「Frank Chen」的发现，即便是用谷歌自己的Gemini API也是如此。此外，也有网友认为是Gemini的训练数据没有洗干净。毕竟如开头所说，在上一代Bard时，谷歌就曾被曝出过用ChatGPT的数据训练。根据The Information的报道，Jacob Devlin从谷歌离职的原因之一，就是他发现谷歌用于对抗ChatGPT的种子选手——Bard在训练时，用的正是ChatGPT的数据。当时，他警告CEO劈柴和其他高管称，Bard团队正在使用来自ShareGPT的信息训练。此次事件，还带出一个严重的问题——互联网语料的污染。

互联网语料被污染

其实，中文互联网语料的抓取和训练之所以如此困难，都难倒了谷歌这样的大科技公司，除了高质量语料不多，还有一个重要原因，就是中文互联网的语料被污染了。Gemini自称是文心一言，很可能是因为，现在互联网上的语料本来就是在互相使用的。根据界面新闻记者对于一位算法工程师的采访，目前各类内容平台有很多语料都由大模型生成，或者至少写了一部分。比如下面这位，就有点GPT的味道：而大厂在更新模型时，也会搜集网上数据，但很难做好质量辨别，因此「很可能把大模型写的内容混入训练数据中去」。然而，这却会导致一个更加严重的问题。牛津、剑桥、多伦多大学的研究人员曾发表这样一篇论文：《递归诅咒：用合成数据训练会导致大模型遗忘》。

论文地址：https://arxiv.org/abs/2305.17493它们发现，如果使用模型生成的内容训练其他模型，会导致模型出现不可逆的缺陷。

随着时间的推移，模型开始忘记不可能的事件，因为模型被自己的现实投射所毒害，于是导致了模型崩溃随着AI生成数据造成的污染越来越严重，模型对现实的认知会产生扭曲，未来抓取互联网数据来训练模型会越来越困难。

模型在学习新信息时会忘记以前的样本，这就是灾难性遗忘在下图中，假设人工整理的数据开始是干净的，然后训练模型0，并从中抽取数据，重复这个过程到第n步，然后使用这个集合来训练模型n。通过蒙特卡洛采样获得的数据，在统计意义上最好与原始数据接近。这个过程就真实地再现了现实生活中互联网的情况——模型生成的数据已经变得无处不在。此外，互联网语料被污染还有一个原因——创作者对于抓取数据的AI公司的抗争。在今年早些时候，就有专家警告说，专注于通过抓取已发布内容来创建AI模型的公司，与希望通过污染数据来捍卫其知识产权的创作者之间的军备竞赛，可能导致当前机器学习生态系统的崩溃。这一趋势将使在线内容的构成从人工生成转变为机器生成。随着越来越多的模型使用其他机器创建的数据进行训练，递归循环可能导致「模型崩溃」，即人工智能系统与现实分离。贝里维尔机器学习研究所（BIML）的联合创始人Gary McGraw表示，数据的退化已经在发生——「如果我们想拥有更好的LLM，我们需要让基础模型只吃好东西，如果你认为他们现在犯的错误很糟糕，那么，当他们吃自己生成的错误数据时又会发生什么？」

GPT-4耗尽全宇宙数据？全球陷入高质量数据荒

现在，全球的大模型都陷入数据荒了。高质量的语料，是限制大语言模型发展的关键掣肘之一。大型语言模型对数据非常贪婪。训练GPT-4和Gemini Ultra，大概需要4-8万亿个单词。研究机构EpochAI认为，最早在明年，人类就可能会陷入训练数据荒，那时全世界的高质量训练数据都将面临枯竭。去年11月，MIT等研究人员进行的一项研究估计，机器学习数据集可能会在2026年之前耗尽所有「高质量语言数据」。

论文地址：https://arxiv.org/abs/2211.04325OpenAI也曾公开声称自己数据告急。甚至因为数据太缺了，接连吃官司。今年7月，著名UC伯克利计算机科学家Stuart Russell称，ChatGPT和其他AI工具的训练可能很快耗尽「全宇宙的文本」。现在，为了尽可能多地获取高质量训练数据，模型开发者们必须挖掘丰富的专有数据资源。最近，Axel Springer与OpenAI的合作就是一个典型例子。OpenAI付费获得了Springer的历史和实时数据，可以用于模型训练，还可以用于回应用户的查询。这些经过专业编辑的文本包含了丰富的世界知识，而且其他模型开发者无法获取这些数据，保证了OpenAI独享的优势。毫无疑问，在构建基础模型的竞争中，获取高质量专有数据是非常重要的。到目前为止，开源模型依靠公开的数据集进行训练还能勉强跟上。但如果无法获取最优质的数据，开源模型就可能会逐渐落后，甚至逐渐与最先进的模型拉开差距。很早以前，Bloomberg就使用其自有的金融文件作为训练语料库，制作了BloombergGPT。当时的BloombergGPT，在特定的金融领域任务上超越了其他类似模型。这表明专有数据确实可以带来差异。OpenAI表示愿意每年支付高达八位数的费用，以获取历史和持续的数据访问权限。而我们很难想象开源模型的开发者们会支付这样的成本。当然了，提高模型性能的方法不仅限于专有数据，还包括合成数据、数据效率和算法改进，但看起来专有数据是开源模型难以跨越的一道障碍。参考资料：https://www.exponentialview.co/p/ev-453https://twitter.com/jefflijun/status/1736571021409374296https://twitter.com/ZeyiYang/status/1736592157916512316https://weibo.com/1560906700/NxFAuanAF