91传媒_人物专题_对话复旦大学教91传媒授肖仰华：这轮生成式AI泡沫早晚会破，天花板一定会到来

对话复旦大学教91传媒授肖仰华：这轮生成式AI泡沫早晚会破，天花板一定会到来_ZAKER新闻

据首届“融”国际青少年文化艺术周组委会介绍，此次活动由比利时维他命文化传媒承办，得到了欧盟媒体俱乐部，布鲁塞尔移民博物馆，欧洲亚裔联盟与北京栋鸣文化，洛阳小画家协会等多家组织和单位的支持。在为期三周的时间里，围绕着“我们是一家”的主题，来自中欧各地的青少年用画笔、音乐、影像、舞蹈、武术等多种艺术表现形式，在欧盟首府呈现一场场多元的人文交流活动，并在广大的青少年间洒下爱与交融的种子。

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，但人类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。" 肖仰华表示。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，未来也许大家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，大家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为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，即便训练出来了参数规模是人脑的 10 倍、100 倍的超级大模型，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。（本文首发于钛媒体 App，作者｜林志佳，编辑｜胡润峰）

koa12jJid0DL9adK+CJ1DK2K393LKASDad

编辑:吴国梁

TOP1热点：相机拍出来的照片必须要修吗？为什么？

暑假期间，安徽省六安市科技馆以“未来科学节”为主题，面向学生推出科普实践活动，丰富中小学生的暑假生活。。

塔拉斯说：“我们必须加大努力，帮助社会适应正不幸形成的（极端天气）新常态。世界气象组织正在提供预报和预警，以保护生命和生计，同时努力实现（联合国）全民早期预警倡议的目标。”（参与记者：钱铮、郭明芳、章亚东、谢宇智）

TOP2热点：潜艇兵这一兵种最必须的特质是什么？与其他兵种有哪些区别？

作为旅队狙击教学“总教头”，11本“狙击笔记”，既记录着沈财生的成长足迹，也见证了他从一个人到一群人的狙击人才培养历程。

“一开始只是抱着试一试的想法打了电话，没想到真的管用，法官非常重视我们提供的新线索，对案件审理很重要。”徐女士说。

TOP3热点：能说说进厂的感受吗?俄罗斯12—14㓜交

拱火递刀祸乱欧洲。乌克兰问题有其复杂的历史经纬，局势演变至今是各种因素共同作用的结果。其中，美国拉帮结伙制造地区对抗和北约多次东扩强化阵营对立显然难辞其咎。此次峰会前后，北约及其成员国在乌问题上唯恐天下不更乱，显著升级煽风点火力度。“北约―乌克兰理事会”正式成立并召开首次会议，美国宣布新一轮8亿美元对乌军援并运送极富争议的集束炸弹，英法德等国承诺提供逾15亿欧元军援。此前甚嚣尘上的乌克兰“入约”问题虽未落地，但此次峰会却做出“当盟国同意且乌满足条件时，北约将邀乌入约”的表态。乌危机已延宕超500天，欧洲承受的损失和痛苦与日俱增。美国高企的通胀倒是已超预期回落，然而通胀、能源、粮食、供应链等危机仍困扰着欧洲。显然，美国仍是危机的最大赢家，而欧洲已成为最大的输家之一。

德贝什认为，“一带一路”倡议显著缩小发展中国家在基础设施方面的差距，阿中在“一带一路”框架下合作将有力促进阿尔及利亚经济多元化和可持续发展。阿尔及利亚政治分析人士巴斯玛·拉布赫表示，全球发展倡议体现对人类发展公平性的价值追求，同阿尔及利亚的发展理念和需求相契合，为各国共同发展提供了具有凝聚力的平台。

TOP4热点：2025 电影票房破 100 亿，春节档总票房突破 81 亿创历史新高，对今年影视行业是否利好？欧美❌❌❌❌❌❌JAPPT0

同时应加快推进数字中国建设，将其放至中国经济发展的重要位置。比如，积极推进通信、算力等数字基础设施建设。再比如，积极搭建平台企业与实体企业间的合作桥梁，促进平台企业和实体经济融合，发挥实体企业自身的数据、技术优势，结合平台企业数智转型优势，整合出新的数字化应用生态。

TOP5热点：春节假期余额仅剩 1 天，你会如何安排？面对即将到来的工作可以怎样调整心态？乳液狂飙图片奖励自己一发

广东省、内蒙古自治区同时担任本届书展内地主题省（自治区），融各具特色地域文化于图书、文创展品、文艺演出之中，让香港读者感受祖国丰富多彩的文化。

另外，2023年6月份检测显示，福岛核电站港湾内捕获的鱼类体内所含137Cs（铯-137）显著超标，达到了日本法定标准的180倍。此外，核污染水中存在大量的氚，尽管传统观点认为其毒性不高，但现已有不少研究结果表明，氚具有长期毒理学效应。为此，在目前的科学认知水平下，冒然将巨量的核污染水排放到公海中，有违科学伦理。

TOP6热点：练拳真的可以改变一个人非常懦弱的性格吗？撒尿BwwBwwBww毛

记者近期在杭州、南京等多地热门旅游景点看到，虽然高温难耐，一些文博场所及园林景区游客排队数量仍迎来激增。社交平台上，网友对门票难预约也吐槽不断。前不久，一名到西安旅游的游客说，他出发前就开始预约陕西历史博物馆的门票，一直没约到，就想去博物馆门口试试看能不能买到当天的票，可惜还是不行。“后天就要走了，只能等下次有机会抢到票了再来西安玩。”