发布时间 : 2023-03-24 阅读量 : 924
“training data is technology” .
数据即科技，openai的联合创始人ilya sutskever在与知名科技媒体the verge访谈中提到。chatgpt自发布以来热度席卷全球，一周前惊艳亮相的gpt-4更是让人感叹我们迎来了ai发展的历史性时刻。
然而我们也困惑，openai为何不开源gpt-4？在我们看来，更多的奥秘或许存在于数据之中......
本文是magic data创始人兼ceo张晴晴博士关于数据、大模型与生成式ai的观点分享。
openai成立于2015年，而magic data则于2016年成立。成立7年以来，magic data专注于对话式数据的研究。多年来，magic data一直被问及为什么要研究数据，而不去涉足一些更广为人知的ai领域，例如智能客服系统、无人驾驶等等。
就像在chatgpt发布前，openai一直默默深耕，直到一夜之间成为全球最热门的公司之一。magic data深信时间复利是实现跨越式发展的秘诀。
如今，chatgpt让更多人认识并理解到对话式的重要性。张晴晴博士对对话式ai的理解源于18年的从业经验。在中科院工作期间，她曾帮助多家大型企业建立对话式基础系统。在这个过程中，她发现如何选择、处理数据，以及通过数据和模型的闭环耦合来认知数据，是决定人工智能能够实现多好的关键。数据对于算力算法都有直接的影响，而不仅是数据本身的价值呈现。
magic data坚信对话式是未来人机交互的关键。这也是为什么我们一直专注于这个领域，直到今天。
据公开信息，chatgpt是通过预训练加微调的方式构建的，同时引入了人类反馈强化学习机制。整个训练过程中是人机不断耦合的一个过程。在这个过程中，通过人工反馈的方式不断地调优模型，以对话式问答为核心。
构建chatgpt这样一个大模型需要三类数据。
第一类是用于预训练的海量非结构化数据，不需要人工介入，但精准度和质量并不高。这也是因为这部分数据存在太多低质量的数据，加上大模型拥有超大参数，耗费非常多的算力，存在一定的隐患。
第二类是人机协同生产的数据，包括人工生成的问答对数据、人工对机器生成的数据进行质量排序以及机器生成的排序数据。
图片来源：openai
第三类是知识库数据集，需要的数据量不一定很大，但需要非常精确和精准，垂域的专家知识数据将是改善chatgpt质量的关键。
对于构建一个对话模型，张晴晴博士认为好数据需要满足三点。第一点是尽可能自然，接近人和人自然的交谈方式，而不是冷冰冰的机械式回答。第二点是领域相关性或者垂域知识的正确性，需要专家系统的介入。最重要的是数据的安全和合规性，这也是数据对于构建安全可信的chatgpt的关键所在。
如何满足大模型对海量训练数据的需求？根据市场研究机构的调查统计，存在于互联网上的真实数据会在2026年被消耗殆尽。在未来的ai训练数据使用中，真实数据和生成式数据都会被考虑投入使用。根据gartner的预测显示，生成式数据的使用占比将会超过真实数据。
图片来源：gartner
生成式数据是通过建立数学模型或仿真环境，采用去中心化的形态来采集取得的数据。这些数据集的生成可以在需要的情况下进行调整和控制，而且可以覆盖更多的应用场景，帮助人们和机器更好地理解数据的特性和行为。生成式数据的优点在于可以更加准确地控制生成条件，符合数据合规性的要求。
使用生成式ai数据，在满足ai训练数据需求量和多样性的同时，合规性也能在最大程度上获得保证。在未来，类chatgpt大模型更有机会去使用这样一些生成式ai数据进行训练。
magic data作为一家ai数据凯发体育网的解决方案公司，在过去的7年间专注于构建多轮对话数据，目前已经积累了超过1亿轮次（20万小时）的高精度数据。所有数据都经过了人工检验标注，保证了数据的高质量。这些数据是通过众包的方式取得，邀请c端用户贡献数据，并回馈一定的收益。
这些数据按行业进行拆分，涵盖了日常生活中的衣食住行等方面，同时也包括了一些垂域的知识。这为数据的应用提供了更多的场景和可能性。
magic data多轮对话数据领域分类
通过多轮对话数据，我们就可以让机器可以学习到人与人之间对话时的逻辑、上下文关联关系等知识点，为训练chatgpt等模型提供了更加丰富的数据资源。
做ai模型的人不一定是数据专家，但是数据科学对于ai发展至关重要。数据科学和算法框架是分开的两件事情，但是二者又密不可分。数据科学依赖于对框架运转的理解，而算法框架的优化则需要数据科学的支持。因此，综合各方面因素才能形成一个好的ai结果。
应用、投产、工程化能力是ai落地的关键，需要与行业紧密耦合。ai算法从业者未来可能进入ai工程师领域，这将是一件非常有成就感的事情。同时，ai的落地问题也是不容忽视的。为此，我们需要与所有的生态伙伴一起构建一个机器学习的运维闭环，通过数据的处理和模型的迭代来实现闭环。这个闭环非常长，也非常庞大，每个环节都需要专业知识。我们希望与所有的生态伙伴共同合作，实现ai在各行各业的广泛应用。
如今，像chatgpt这样的大型模型在使用和调度中消耗大量算力，一次训练可能耗费数百万的能源，使用调度同样昂贵。考虑到人类能源有限，我们需要关注如何以更加环保的方式发展ai。如何平衡ai发展与资源消耗的问题？其中，数据是一个凯发体育网的解决方案。我们需要让ai模型更加精干，而非臃肿。为此，喂养模型的数据应当是高质量的，而非囫囵吞枣。只有如此，才能更加节约算力，实现ai发展的可持续性。
相关链接：