“模型崩溃”是今年7月发表在英国《自然》杂志上的一篇研究论文指出的问题。它是指用AI生成的数据集训练未来几代机器学习模型，可能会严重“污染”它们的输出。

多家外媒报道称，这不仅是数据科学家需要担心的技术问题，如果不加控制，“模型崩溃”可能会对企业、技术和整个数字生态系统产生深远影响。天津大学自然语言处理实验室负责人熊德意教授在接受记者采访时，从专业角度对“模型崩溃”进行了解读。

图片来源：美国《The Week》

“模型崩溃”是怎么回事

大多数AI模型，比如GPT-4，都是通过大量数据进行训练的，其中大部分数据来自互联网。最初，这些数据是由人类生成的，反映了人类语言、行为和文化的多样性和复杂性。AI从这些数据中学习，并用它来生成新内容。

然而，当AI在网络上搜索新数据来训练下一代模型时，AI很可能会吸收一些自己生成的内容，从而形成反馈循环，其中一个AI的输出成为另一个AI的输入。当生成式AI用自己的内容进行训练时，其输出也会偏离现实。这就像多次复制一份文件，每个版本都会丢失一些原始细节，最终得到的是一个模糊的、不那么准确的结果。

美国《纽约时报》报道称，当AI脱离人类输入内容时，其输出的质量和多样性会下降。

熊德意解读称：“真实的人类语言数据，其分布通常符合齐普夫定律，即词频与词的排序成反比关系。齐普夫定律揭示了人类语言数据存在长尾现象，即存在大量的低频且多样化的内容。”

熊德意进一步解释道，由于存在近似采样等错误，在模型生成的数据中，真实分布的长尾现象逐渐消失，模型生成数据的分布逐渐收敛至与真实分布不一致的分布，多样性降低，导致“模型崩溃”。

AI自我“蚕食”是坏事吗

对于“模型崩溃”，美国《The Week》杂志近日刊文评论称，这意味着AI正在自我“蚕食”。

熊德意认为，伴随着这一现象的出现，模型生成数据在后续模型迭代训练中占比越高，后续模型丢失真实数据的信息就会越多，模型训练就更加困难。

乍一看，“模型崩溃”在当前似乎还是一个仅需要AI研究人员在实验室中担心的小众问题，但其影响将是深远而长久的。

美国《大西洋月刊》刊文指出，为了开发更先进的AI产品，科技巨头可能不得不向程序提供合成数据，即AI系统生成的模拟数据。然而，由于一些生成式AI的输出充斥着偏见、虚假信息和荒谬内容，这些会传递到AI模型的下一版本中。

美国《福布斯》杂志报道称，“模型崩溃”还可能会加剧AI中的偏见和不平等问题。

不过，这并不意味着所有合成数据都是不好的。《纽约时报》表示，在某些情况下，合成数据可以帮助AI学习。例如，当使用大型AI模型的输出训练较小的模型时，或者当可以验证正确答案时，比如数学问题的解决方案或国际象棋、围棋等游戏的最佳策略。

AI正在占领互联网吗

训练新AI模型的问题可能凸显出一个更大的挑战。《科学美国人》杂志表示，AI内容正在占领互联网，大型语言模型生成的文本正充斥着数百个网站。与人工创作的内容相比，AI内容的创作速度更快，数量也更大。

OpenAI首席执行官萨姆·奥特曼今年2月曾表示，该公司每天生成约1000亿个单词，相当于100万本小说的文本，其中有一大部分会流入互联网。

互联网上大量的AI内容，包括机器人发布的推文、荒谬的图片和虚假评论，引发了一种更为消极的观念。《福布斯》杂志称，“死亡互联网理论”认为，互联网上的大部分流量、帖子和用户都已被机器人和AI生成的内容所取代，人类不再能决定互联网的方向。这一观念最初只在网络论坛上流传，但最近却获得了更多关注。

幸运的是，专家们表示，“死亡互联网理论”尚未成为现实。《福布斯》杂志指出，绝大多数广为流传的帖子，包括一些深刻的观点、犀利的语言、敏锐的观察，以及在新背景下对新生事物的定义等内容，都不是AI生成的。

不过，熊德意仍强调：“随着大模型的广泛应用，AI合成数据在互联网数据中的占比可能会越来越高，大量低质量的AI合成数据，不仅会使后续采用互联网数据训练的模型出现一定程度的‘模型崩溃’，而且也会对社会形成负面影响，比如生成的错误信息对部分人群形成误导等。因此，AI生成内容不仅是一个技术问题，同时也是社会问题，需要从安全治理与AI技术双重角度进行有效应对。”

标签：