創(chuàng)新談丨大模型既要“吃得飽”更要“吃得好”

前段時(shí)間，網(wǎng)絡(luò)上流傳著一些由大模型生成的“異次元篇章”。比如，有人讓大模型續(xù)寫(xiě)《紅樓夢(mèng)》情節(jié)時(shí)，竟得出一幕“賈寶玉倒拔垂楊柳”的奇景，令人啼笑皆非。之所以會(huì)出現(xiàn)這種“混搭”和“幻覺(jué)”，是因?yàn)榇竽Ｐ筒粌H學(xué)習(xí)了原著，還“廣納博采”了不少錯(cuò)誤信息。

這些人工智能（AI）生成的“胡言亂語(yǔ)”雖是網(wǎng)友們茶余飯后的笑談，但提醒我們要清醒認(rèn)識(shí)到其背后折射出的問(wèn)題：數(shù)據(jù)質(zhì)量是大模型應(yīng)用成敗的關(guān)鍵。以個(gè)性化推薦AI系統(tǒng)為例，一些企業(yè)在開(kāi)發(fā)過(guò)程中，雖然收集了大量的用戶(hù)行為數(shù)據(jù)，但數(shù)據(jù)中充斥著錯(cuò)誤的標(biāo)注、重復(fù)的數(shù)據(jù)以及相互矛盾的信息，數(shù)據(jù)的量增加了，但系統(tǒng)推薦的準(zhǔn)確性并沒(méi)有顯著提升。《自然》雜志（Nature）刊登的一篇有關(guān)大模型可靠性研究的文章指出，一個(gè)西班牙研究團(tuán)隊(duì)發(fā)現(xiàn)，包括OpenAI公司的GPT在內(nèi)的幾個(gè)大模型升級(jí)后，雖然參數(shù)量更大了，誤答情況卻更嚴(yán)重了。因此，大模型長(zhǎng)得壯不壯，不僅取決于“食量”（即數(shù)據(jù)的數(shù)量），更在于食物的“質(zhì)量”（即數(shù)據(jù)的質(zhì)量）——吃得飽并不等同于吃得好。

數(shù)據(jù)是大模型的基石，在數(shù)據(jù)質(zhì)量不高、可靠性缺失的情況下，一味追求大模型參數(shù)量的增加，不僅無(wú)法提升模型性能，反而會(huì)放大偏差和謬誤，產(chǎn)生更多不可信數(shù)據(jù)。如此一來(lái)，勢(shì)必造成計(jì)算與存儲(chǔ)資源的浪費(fèi)，增加開(kāi)發(fā)和維護(hù)成本，降低用戶(hù)信任度。更為嚴(yán)重的是，這種“大模型幻覺(jué)”和“災(zāi)難性遺忘”現(xiàn)象如果發(fā)生在精確性要求極高的工業(yè)生產(chǎn)領(lǐng)域中，還可能引發(fā)不可預(yù)測(cè)的風(fēng)險(xiǎn)和隱患。以油氣勘探為例，基于大模型給出的錯(cuò)誤預(yù)測(cè)進(jìn)行開(kāi)采可能導(dǎo)致數(shù)億元的資金損失，并對(duì)自然環(huán)境造成不可逆轉(zhuǎn)的破壞。

提升大模型性能，關(guān)鍵是處理好數(shù)據(jù)“質(zhì)”和“量”的關(guān)系，構(gòu)建大規(guī)模、高質(zhì)量的數(shù)據(jù)集。應(yīng)建立完善的數(shù)據(jù)收集、清洗、驗(yàn)證和存儲(chǔ)機(jī)制，加強(qiáng)對(duì)數(shù)據(jù)質(zhì)量的監(jiān)控和評(píng)估，確保數(shù)據(jù)的準(zhǔn)確性、完整性和一致性。此外，還應(yīng)注重跨領(lǐng)域合作，引入數(shù)據(jù)科學(xué)家、AI算法工程師等多方力量，開(kāi)展大模型算法合作、制定數(shù)據(jù)共享和隱私安全保密協(xié)議，推動(dòng)大模型產(chǎn)學(xué)研用生態(tài)建設(shè)。

如今，大模型的發(fā)展已邁入多模態(tài)融合階段。通過(guò)加強(qiáng)數(shù)據(jù)治理，優(yōu)化人工智能學(xué)習(xí)、訓(xùn)練和驗(yàn)證的“基礎(chǔ)食材”，端上大規(guī)模、高質(zhì)量、多模態(tài)數(shù)據(jù)集的“豐盛大餐”，必將助力大模型能力的提升，讓人工智能更好地賦能千行百業(yè)、造福人類(lèi)社會(huì)。

（作者系中國(guó)工程院院士、中國(guó)石油勘探開(kāi)發(fā)研究院教授級(jí)高級(jí)工程師）