在Scaling Law（缩放定律）的“指引”下，AI大模型技术正朝着加大训练数据、加大算力投入、堆积参数等方向前进，模型一代代“膨胀”，因此，如何用更可靠的数据进行训练模型，正逐步成为AI大模型发展的根本性的、长期性的关键要素之一。9月5日-7日举行的2024 Inclusion·外滩大会“从DATA for AI到AI for DATA”见解论坛上披露的Epoch AI数据显示，自2026年起，人类产生的新数据量将比模型学习的新数据量要少，预估到2028年，AI大语言模型将耗尽人类数据。这意味着，无论是高质量的人类开放语料，还是互联网开源流通的信息语料，未来基于这些数据技术的模型效果最终将出现“瓶颈”，从而很难实现比人类更智能的通用人工智能（AGI）目标。那么，如何用更优质的数据发展中国AI技术？高质量数据如何推高 AI 技术上限？
对此，9月6日下午，复旦大学计算机科学技术学院教授、上海市数据科学重点实验室主任肖仰华与钛媒体AGI等少数媒体进行对话交流。肖仰华教授认为，AI 大模型落地的本质仍然是数据工程。但当前，大模型发展过程中，其对数据的消耗和使用极为“粗放”，对数据的使用效率极为“低下”，和人类相比远远不足，同时，千亿大模型的数据可能存在极大“水分”，现在已经处于“大模型数据耗光”这一状态。因此，发展合成数据、私域数据、个人数据训练，可以进一步提升大模型的技术能力。当前，AI 大模型技术领域，为了达到AGI，模语料数据规模变得“越来越大”。以Meta公司发布的开源大模型Llama 3为例，其使用了15T Tokens，是古代世界最大图书馆——亚历山大图书馆70万册藏书（以每册10万字计，累计70G Tokens）规模的200多倍。更早之前，OpenAI披露，GPT-3.5的文本数据多达45TB，相当于472万套中国四大名著（《三国演义》、《西游记》、《水浒传》、《红楼梦》），而GPT-4在之前训练数据集的基础上又增加了多模态数据，规模达数十万亿级Token。尽管大模型所展现出的重要能力，得益于背后的海量数据、蕴含了丰富的知识和智能。然而，当前大模型仍面临“幻觉”、垂直行业信息缺乏等核心挑战。其中，大模型生成不正确、无意义或不真实的文本的“幻觉”现象，受到广泛关注，公开研究曾披露OpenAI GPT-4模型的错误率能达到20%以上，而造成这一现象的主要原因是大模型缺乏高质量数据支撑。在一定程度上，数据决定了 AI 大模型“智能水平”的上限，但当前的千亿大模型当中，80%都是“水分”，即大量的语料数据都是无意义、错误率极高的信息。所以，提高数据的质量和多样性等方式，对于未来大模型技术发展以及落地应用来说至关重要。
肖仰华现任复旦大学计算机科学技术学院教授、博导，上海市数据科学重点实验室主任，复旦大学知识工场实验室负责人，2009年获得复旦大学博士学位后留校任教，研究方向包括知识图谱、大模型以及社会科学启发下的人工智能等。肖仰华在演讲中表示，当前大模型技术实现过程中，数据消耗了极大人力资源与资本投入，所以大模型落地的本质仍然是数据工程，数据在整个大模型技术体系中处于一个核心的基础地位。因此，如果大模型真的要走向千行百业，必须要解决“幻觉”问题，背后则需要运用合成数据、私域数据、个人数据、小模型、知识图谱等技术方法，或协同方案。“实际上，现在所谓的千亿大模型可能存在极大‘水分’，大多数参数可能只是在编码琐碎而杂多的事实，与大模型的智商关系不大。所以，我们有没有可能在这1000亿模型基础之上将‘水分’挤掉，把无用的知识全部榨干，只留下100亿、10亿最关键的数据参数，它将决定大模型理性能力的关键。被挤掉的‘水分’知识完全可以放在外部文档系统里，通过RAG系统能够在应用时检索到即可。”肖仰华对钛媒体AGI表示。
他坦言，越来越多的人仍然是把精力花在找更多的数据而非质量，已经存在一些研究成果表明5%的优质指令数据有可能会比100%的一般指令取得更好的大模型微调效果，所以大众不应该能再盲目追求数量，而是要去想一想数据质量如何提升。对于数据消耗，肖仰华详细分析了三个形成基于高质量数据的模型技术方案：合成数据、私域数据、个人数据。首先是合成数据。互联网数据虽然消耗殆尽，但我们可以在这个数据基础之上合成更多的数据，可以在原始数据上不断思考、反思、关联、融合，产生更多的数据。合成数据是很重要的思路，不仅只是为了缓解数据用光的问题，而且合成数据大部分是人类思考过程的数据，实际上可能比我们现在已经获取的数据更多。通过合成数据把大量隐性、没有记录、没有表达、过程的偏重思维的数据表达出来，这种数据对激发大模型的智商，或者理性能力至关重要。现在大模型其实只有知性，没有理性，因此，合成数据就是提升理性能力非常重要的一个思路。使用模拟思考过程的合成数据训练大模型，它才能知道应该怎么去思考问题，而合成数据既是为了缓解数据的“饥荒”，也是为了提升大模型理性能力。第二是私域数据。人类更多高质量、高价值的数据是在私域（垂直行业）当中，如果使用私域数据训练大模型，可能会让大模型变成行业专家。因此，用好私域数据是很关键的因素，数据有待挖掘的潜力仍然十分之大。最后是个人数据。个人数据用于训练大模型才刚刚开始，包括苹果在内的很多手机终端厂商，下一步一定是用个人数据和大模型结合。因此，如何把个性大数据和大模型结合好，变成个性化大模型，为每个人提供服务，对此未来还有很长的路要走。不过，肖仰华也认为，当前数据要素市场尚不健全，使得私域数据的汇聚和交易流通也是困难重重，挑战非常之多。
同时，大模型对数据利用的“贪婪程度”，也影响了数据的存储、生产、加工、流通、消费各个环节的技术走向。“模型的评估、数据的筛选和模型的训练三件事应该是‘三位一体’的，我们需要注重数据的用法。”肖仰华称。在肖仰华看来，AI大模型技术发展至今，仍然还处在一个非常早期的时代，从原理和源头上还完全缺乏理论和方法，而且大模型参数量变大，并没有让它的智商和理性能力所有增长。“Scaling Law很快就会见到天花板，或者说我们要重新去看待Scaling Law。并且，我们要从源头上去梳理这些问题，去激发大模型的核心认知能力，提升大模型的理性水平。”不过，部分学者对于合成数据的前景也有一些怀疑和争议。
9月6日，OpenAI创始成员、AI+教育公司Eureka Labs创始人安德烈·卡帕蒂（Andrej Karpathy）在播客节目 No Priors节目中表示，Transformer 还远没到自己的极限，新的改进和创新主要集中在数据集方面。尽管使用合成数据对于创造下一代大模型有很大帮助，但合成数据往往多样性和丰富度不足。安德烈·卡帕蒂也承认，当前数十亿级参数量的大模型存在很多无用信息，他认为与互联网数据本身有关，因为其可能是由 0.001% 的认知数据和 99.999% 的相似或无用信息构成的。而当前的模型浪费了大量容量来记忆无关紧要的事情，原因是数据集没有经过精细化的调整（curation）。而真正用于思考的认知核心（cognitive core）可以非常小，如果它需要查找信息，它会知道如何使用不同的工具。未来，未来当下一代模型发挥作用时，它们会出现不同的分工，比如程序员、产品经理等。另一方面，肖仰华表示反对“机器取代人类”的这一观点，他认为技术的所有进步和发展还是要“以人为本”，没有人的文明是没有意义的。“现在大模型就很擅长，可以很容易做到一段文字一字不错。事实上，文字偶尔出错无伤大雅，重要的不是文字有否错别字，而是文字背后是否是真知灼见。我们在太多无意义的细枝末节浪费太多精力，而对事关宏旨的本质却又轻松放过。以大模型为代表的AGI的到来，粉碎了人类无意义的事项，倒逼人类回归价值本原。”肖仰华称。
展望未来下一代万亿级参数的GPT模型，肖仰华指出，未来也许我们并不需要过多的数据，只需精炼即可。然而，在此之前，人类可能需要通过万卡训练和打造万亿模型，以此来探索智能的极限。但早期的那些千亿、万亿的大模型，可能存在很大的 “水分”。所以，人类必须先拥有 “水分” 充足的大模型，然后才有可能挤出这些 “水分”，从而获得一个小而精的模型。最后，基于这个小而精的基座模型进行微调与训练，在小规模集群或单机上完成微调工作。肖仰华强调，这波生成式AI大模型的泡沫早晚会破，天花板一定会到来。首先，人类产生优质数据的过程是相对缓慢的，我们不可能每天都产生对于世界的重大新认识，优质数据的缓慢生产速度会成为大模型发展的天花板。其次，合成数据的质量控制仍存在不少技术挑战，且合成数据是基于原始真实数据推理而产生的，因此也会限制大模型获得本质新颖的知识与能力，也就是大模型会遭遇所谓的演绎闭包困难。最后，即便我们训练出来了参数规模是人脑的10倍、100倍的超级大模型，我们人类当下的智识水平可能限制我们去认识这样一个超级智能形态。这样一个可能的超级存在也就与人类无关。试想一下，如果蚂蚁文明举全体蚂蚁世界之力造出了人类水平的智能，那么这个相对于蚂蚁而言神一样的智能体一定是忙于探索星辰大海，去接近或实现一个更高的存在，而无暇去关照自己的造物主。“AI 好比一个照妖镜，将人类社会一切没有价值的事情进行摧毁，倒逼大家去做真正有价值和有意义的事情。因此，AI 的未来发展倒逼所有行业回归价值本原，要让人类做真正有价值的事。”肖仰华表示。