皮皮网

【代理程序源码】【源码绝对值】【筹码能量公式源码】AI訓練「胃口大開」語料荒 數據易被污染風險增

时间:2024-12-25 00:20:24 来源:卡银家源码

據大公報綜合報道,訓練險增人工智能(AI)大模型訓練需要使用海量數據,胃口目前訓練數據集大多來自互聯網或者書籍等作品,大開隨着AI模型不斷改進,語料其對數據的荒數「胃口」越來越大。據人工智能預測組織Epoch AI一項研究估計,據易代理程序源码人工智能公司或很快面臨「數據荒」,被污最早可能在2026年之前耗盡高質量的染風文本訓練數據,而低質量的訓練險增訓練數據可能在2030至2060年間枯竭。

圖:5月30日,胃口瑞士日內瓦舉辦人工智能全球峰會。大開\路透社

人工智慧發展的語料核心資源是數據,其模型訓練數據越多,荒數AI的據易能力就越強。為了訓練AI語言模型,被污源码绝对值AI公司過去常到互聯網上瘋狂截取文字、圖片和視頻等海量數據,包括新聞報道、科研文章、維基百科、文學藝術作品以及社交媒體帖子等。此外,AI公司之間還可能「借用」數據,甚至「偷」別家的數據,例如,谷歌先後被揭發採用OpenAI和百度文心一言的數據,訓練其聊天機器人Gemini和Bard。

2026年耗盡互聯網數據

隨着科企不斷開發功能更強大的AI系統,其對數據的筹码能量公式源码海量需求,使得互聯網上可用的公共數據資源變得捉襟見肘。Epoch研究所人工智能研究員Pablo Villalobos估計,OpenAI的GPT-4的數據訓練量就高達12萬億個,而該公司目前最先進的AI模型GPT-5,則可能將需要60萬億到100萬億個數據。據估計,當前所有可用的高質量數據被用完後,AI訓練仍還有10萬億到20萬億的數據缺口,甚至更多。

Villalobos在兩年前就預計,到今年年中,有50%幾率高質量數據將耗盡,到2026年,高質量數據被耗盡的-37源码16位幾率有90%。有AI公司高管和研究人員表示,AI業所需的高質量文本數據近期將供不應求,「數據荒」可能會阻礙AI發展。

數據變「金礦」 掀版權大戰

專家稱,互聯網上大部分數據其實屬於低質量數據,當中存在語句缺陷,難以用於訓練AI,因此高質量數據被視為AI訓練的「金礦」,但又引發另一個問題:版權。新聞媒體報道、藝術作品和影視作品等都能為AI模型訓練提供高質量內容,都受到版權保護。

去年12月,美國《紐約時報》成為首家起訴OpenAI和微軟的老虎分发源码主流媒體,索償數十億美元,《紐時》指控後者在不付費的情況下,「使用《紐時》的內容來創造代替《紐時》的產品,並把讀者從《紐時》那裏搶走」。今年4月,YouTube行政總裁莫漢公開點名批評OpenAI的視頻生產軟件Sora疑似竊取數據,認為違反該平台的服務條款。

除了興訟,部分媒體、社交平台也採取措施防止AI公司「盜數據」。CNN、《紐時》和路透社遮蓋了OpenAI的網絡爬蟲工具GPTBot,彭博社、《華盛頓郵報》、ABC新聞以及迪士尼等多家媒體巨頭也都採取類似的措施。

建數據市場或成解決方案

為了解決版權爭議,針對現存的數據,OpenAI是與媒體和社交平台達成合作協議,獲得使用許可。OpenAI行政總裁阿爾特曼去年曾透露,正在研究新方法來訓練未來的AI,包括打造數據市場,根據不同數據內容在最終模型訓練中的貢獻值進行計價,並向相關提供方支付費用。谷歌據稱也有類似的想法。

部分公司是使用自身數據來訓練AI,比如社交網站Facebook和Instagram的母公司Meta。但這又引發新的問題,社交網站上的數據大多包含用戶個人信息,存在隱私洩露風險問題。

由於網上數據有限,有的科企嘗試自產自用作為替代解決方案,使用合成數據(Synthetic data),由AI生成的數據來「反哺」自身模型。但是,由於人工合成數據畢竟是真實數據的模擬,存在一定偏差,這種偏差將隨着AI的訓練更新不斷放大,最終可能導致AI模型「崩潰」。

圖:5月31日,OpenAI行政總裁阿爾特曼在人工智能全球峰會上發言。\法新社

 網上數據易被污染 暗藏風險 

互聯網上數據(或語料)如汪洋大海,每天都在產生海量數據,但實際上良莠不齊,並非所有數據都能用於訓練AI。因此,AI模型的核心競爭是優質數據的競爭,其數量更是限制AI模型進一步發展的關鍵。無法獲得高質量數據的公司,其訓練出來的AI模型,與其他公司的差距也會越來越大。隨着聊天機器人越來越常見,由AI生成的數據,反過來逐步「污染」互聯網,如果這些數據在沒有識別的情況下,又被搜集用來訓練AI,就會變成AI模型的風險來源。

大公報圖片

網上數據不可靠,可能還有一個原因──創作者向抓取數據的AI公司發起挑戰。據報道,一種名為Nightshade(夜影)的新開源工具,或可被用於反擊互聯網上盜用圖片作品訓練AI的行為。Nightshade由美國芝加哥大學研究人員開發,通過在圖片中加入了肉眼無法識別的像素,以混淆、欺騙並誤導AI模型,擾亂其訓練,實現所謂的「數據投毒」。例如,輸入帽子的圖像最後出現蛋糕,輸入手袋的圖像最後生成烤麵包機。AI學習的文本數量越大,其「中毒」情況就會越深,而且中毒的數據很難刪除,需要科技公司在海量數據中找到並刪除每個損壞的樣本。研究人員希望這個工具有助於藝術創作者維權,但警告該工具可能會被用於惡意目的。

責任編輯: 宋得書

推荐资讯
巡迴開跑!劉德華high喊「我回來了!」 經典曲連發引粉絲尖叫

巡迴開跑!劉德華high喊「我回來了!」 經典曲連發引粉絲尖叫

可以在线演示源码的源码_源码演示平台

可以在线演示源码的源码_源码演示平台

阿九源码网源码分享

阿九源码网源码分享

网站源码跟app源码区别_网站源码跟app源码区别在哪

网站源码跟app源码区别_网站源码跟app源码区别在哪

以色列商場恐攻!2軍人遭持刀攻擊1死

以色列商場恐攻!2軍人遭持刀攻擊1死

比特币源码对接钱包源码_比特币源码对接钱包源码是什么

比特币源码对接钱包源码_比特币源码对接钱包源码是什么

copyright © 2016 powered by 皮皮网   sitemap