“喂”给人工智能的真实数据终将耗尽 合成数据能否让AI模型精确可靠？

“喂”给人工智能的真实数据终将耗尽 合成数据能否让AI模型精确可靠？

人工智能（AI）正经历一场数据革命。随着真实数据的枯竭，合成数据作为AI训练的新途径应运而生。然而，过度依赖合成数据也可能带来新的风险和挑战。本文将探讨合成数据在AI领域的应用现状、优势与局限性，以及如何确保其成为真实数据的可靠补充。

图片来源：物理学家组织网

合成数据：AI训练的“新燃料”

过去，AI模型主要依赖真实数据（人类生成的文本、视频和图像）进行构建和训练。然而，真实数据存在诸多不足：拼写错误、数据不一致、信息偏差等问题，甚至可能导致AI模型输出结果存在偏见。更重要的是，真实数据的增长速度远不及AI发展的需求。

美国开放人工智能研究中心联合创始人伊利亚·苏茨克维尔去年12月指出，AI行业已达到“数据峰值”，真实数据如同化石燃料般面临枯竭。一些预测甚至认为，大型语言模型在不久的将来将耗尽互联网上所有可用文本数据。

合成数据，即由算法生成、模拟真实世界情况的数据，为解决这一问题提供了新的思路。它可以作为真实数据的替代品，用于训练和测试AI模型，并有效避免真实数据中存在的隐私和道德问题。更重要的是，合成数据理论上可以无限生成。

高德纳公司预测，到2030年，AI模型将主要依赖合成数据。

科技巨头纷纷拥抱合成数据

微软、Meta、Anthropic等科技公司已广泛应用合成数据训练AI模型。例如，微软的“Phi-4”模型，以及谷歌的“Gemma”模型都结合了合成数据和真实数据。Anthropic的“Claude 3.5 Sonnet”也使用了部分合成数据。苹果的自研AI系统Apple Intelligence在预训练阶段也大量使用了合成数据。

与此同时，合成数据生成工具也层出不穷。英伟达的Omniverse Replicator可生成用于自动驾驶和机器人训练的合成数据；其开源的Nemotron-4340b模型则可生成用于医疗、金融等行业的大型语言模型训练数据。微软的Synthetic Data Showcase和亚马逊云科技的Amazon SageMaker Ground Truth也提供了合成数据生成工具。Meta去年发布的开源大模型Llama 3.3进一步降低了合成数据生成的成本。

过度依赖合成数据的风险

尽管合成数据解决了AI训练的数据短缺问题，但过度依赖也带来风险。AI模型可能产生更多“幻觉”，即编造看似合理但实际上不存在的信息。此外，合成数据可能过于简化，缺乏真实数据的细节和多样性，导致AI模型输出结果缺乏实用性。

为了规避这些风险，国际标准化组织需要建立完善的系统来追踪和验证AI训练数据；AI系统也应具备元数据追踪功能；同时，人类监督对于保证合成数据的高质量和合乎道德标准至关重要。

AI的未来与数据质量息息相关。合成数据将在解决数据短缺方面发挥关键作用，但必须谨慎使用，确保其成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。

本文原文来自php.cn，部分内容引用自澳大利亚“对话”网站的报道。