【新智元导读】训练数据的数量和质量，对LLM性能的重要性已经是不言自明的事实。然而，Epoch AI近期的一篇论文却给正在疯狂扩展的AI模型们泼了冷水，他们预测，网络上可用的人类文本数据将在四年后，即2028年耗尽。

  算力方面，英伟达的不停地改进革新和各家代工厂的产能提高，让世界各处的数据中心拔地而起，研究人员暂时不需要过多的担心计算资源。

  根据报道，OpenAI在训练GPT-5时已经遇到了文本数据不足的问题，正在考虑使用Youtube公开视频转录出的文本。

  关于「数据耗尽」这样的一个问题，非营利研究机构Epoch AI在6月4日发布了一篇最新论文。

  根据他们的预测，未来10年内，数据增长的速度无法支撑起大模型的扩展，LLM会在2028年耗尽网络上的所有文本数据。

  目前这篇论文已被ICML 2024接收。著名的硅谷天才少年Alexandr Wang也转发了这篇论文，并附上了自己的一番见解。

  他创办的Scale AI专门为AI模型提供训练数据，估值已经飙升到138亿，是当下硅谷最炙手可热的明星独角兽。

  论文作者所属的机构Epoch AI则是一家非营利研究组织，成立于2022年4月，他们致力于调查人工智能的历史趋势，并帮助预测其未来发展。

  虽然这个组织目前只有13名员工，且分布在世界各地，但他们的工作有十分普遍的影响。

  英国和荷兰的政府报告都曾引用Epoch AI发表的论文。RAND智库的研究员表示，Epoch的AI模型数据库对于政策制定者来说是宝贵的资源，「世界上无另外的数据库如此详尽和严谨」。

  说得直白一点，数据量就像一个水池。有存量、有增量，是否够用就要同时看供给侧和需求侧，预测AI模型的数据集会不会把水池抽干。

  定期更新的开源数据集Common Crawl爬取到了超过2500亿个网页，包含130T tokens。但这不是全部的网络内容，还需要统计索引网络的大小。

  我们先假设谷歌搜索引擎包含了所有索引网站，能够正常的使用「词频法」估计其中的页面数量。

  比如，如果「chair」这个词出现在Common Crawl 0.2%的页面中，而且谷歌可以搜索到40B个包含「chair」的网页结果，就能初步预估出整个索引网络的大小约为40B/0.002=20T个页面。

  采用这种方法，论文估算出谷歌索引包含约270B个页面，每个网页约有1.9KB纯文本数据，这表明整个索引网络的数据量大概为500T，是Common Crawl的5倍。

  除此之外，还可以用另一种思路建模，估算整个互联网的数据总量——从使用人数入手。

  网络上大部分文本数据都是用户生成的，并存储在各种平台上，因此，考虑互联网用户数和人均产生数据量，即可估计人类生成的公开文本数据量。

  根据人口增长以及互联网逐渐普及的趋势，论文对互联网用户增长趋势做建模，得出的曲线与历史数据非常吻合。

  假设每个用户平均生成数据率保持不变，论文预计2024年上传的文本数据总量为180T~500T tokens。

  根据这个预测结果以及已知的增长趋势，论文预估，网络上的存量数据为3100T。

  由于同时考虑了索引网络和深层网络（搜索引擎无法触及的网页），这一个数字可以看作索引网络数据量的上限。

  5G时代的冲浪选手应该都有体会，虽然在同一个互联网，但文本和文本的质量可以有云泥之别。

  比如，在书籍或的文本上训练出的模型，与Youtube评论喂出的模型，可能有很大的性能差异。因此，只用token数量衡量数据的话，就过于片面了。

  但也不能对网络数据失去信心。之前有多项研究表明，通过仔细的过滤和数据处理，网络数据带来的性能依旧优于人工用尽心思挑选的语料库。

  研究人员尝试对Common Crawl数据集进行类似的处理，发现过滤后数据集大小会降低30%。同时，另一项去年的研究也发现，剪除Common Crawl中50%的重复数据能轻松实现最佳性能。

  因此，有比较充足的理由相信，数据总量的10%-30%可作为高质量数据用于训练，相当于索引网络510T数据中的100T左右。

  以上是对互联网数据池的预估，是数据的供给方。接下来，需要对数据使用方——数据集容量（变量D）进行预估。

  Epoch曾经在2022年发表了一个知名的机器学习模型数据库，包含了300多个模型，从中选取2010年-2024年间发表的80余个LLM进行分析。

  上图表明，目前LLM使用的最大训练集约为10T。Epoch AI之前也曾预估过，GPT-4训练集大小达到了12T tokens。

  但这个结果没有同时考虑算力的限制。根据Scaling Law，Transformer架构所需的数据量大致随训练算力的平方根扩展。

  由此，论文就得出了预测结果。按照目前互联网数据总量和训练数据集的上涨的速度，如果以当前趋势继续下去，数据耗尽年份的中位数是2028年，最大可能性是2032年。

  这意味着，未来10年内，数据将成为LLM的重大瓶颈，「数据墙」将成为现实。

  慢着，记不记得之前我们预估过，整个网络上的文本数据总量约为3100T，这一些数据怎么没有算进去？

  遗憾的是，这部分数据大多分布在Fackbook、Instagram、WhatsApp等社会化媒体上，抓取过程不仅复杂、昂贵，而且涉及个人隐私相关的法律问题，因此几乎没办法应用于LLM的训练。

  这篇论文并没有止步于一个偏向于悲观的预测结论，因为同时考虑别的的因素，「数据墙」只会让模型扩展的速度放缓，而不是完全停滞。

  Epoch AI的创始人也在此前的采访中表示过，虽然我们能看到「数据耗尽」的前景，但「目前还没有感到恐慌的理由。」

  目前就至少有两种策略可以绕过人类文本数据的瓶颈，而且在论文作者看来，这两种方法都是「前途无量」。

  根据报道，仅OpenAI一个企业的模型每天就能生成100B个单词，也就是每年36.5T个单词，相当于Common Crawl中优质单词的总数。

  这远远快于人类生成文本的速度，可以让数据存量急剧扩大，而且在模型输出相对容易验证的领域很有前景，比如数学、编程、游戏等等。

  使用合成数据训练的最著名模型莫过于AlphaZero，它通过自我对弈达到了人类棋手都未能企及的水平。

  此外2024年最新发布的AlphaGeometry同样使用合成数据来进行训练，尝试解决几何问题。

  之前有研究表明，使用模型输出的文本进行迭代训练，会丢失有关人类文本数据分布的信息，让生成的语言越来越同质化且不切实际。

  有研究者还把合成数据导致的模型崩溃形象比喻为「近亲结婚」，称这种LLM为「哈布斯堡模型」。

  但这个问题也并非无解。有之前的研究证明，利用多样的训练数据，或者混合一些人类文本数据，既可以合理规划利用训练数据，又能某些特定的程度上缓解副作用。

  除了我们熟知的视频、图像之外，金融市场数据或科学数据库也能够正常的使用。有人预测，到2025年，基因组学数据将以每年200-4000万兆字节的速度增长。

  除了这两种方法，很多实验室和初创公司也正在积极探索。比如DatologyAI正在研究一种名为「课程学习」（curriculum learning）的方法，把数据按特定顺序输入，以期LLM能够在概念之间形成更智能的联系。

  2022年他们发表的论文显示，如果数据无误，使用这种训练方法的模型可以用一半的数据实现相同的效果。

  也许，Epoch AI创始人的话的确有道理。虽然数据是有限的，「数据墙」也是可预期的，但方法总比困难多。

  本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。