新智元报道

数据和算力，是AI大模型最重要的两把「铲子」。

算力方面，英伟达的不断创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，研究人员暂时不用担心计算资源。

然而，近些年来，数据成为愈发严峻的问题。

根据华尔街日报的报道，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」这个问题，非营利研究机构EpochAI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年耗尽互联网上的所有文本数据。

论文地址：https://arxiv.org/abs/2211.04325

目前这篇论文已被ICML2024接收。著名的硅谷天才少年AlexandrWang也转发了这篇论文，并附上了自己的一番见解。

他创办的ScaleAI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。

估值飙至138亿美元！27岁华裔天才少年再获融资，数据标注会是下一个风口？

论文作者所属的机构EpochAI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，但他们的工作有非常广泛的影响。

英国和荷兰的政府报告都曾引用EpochAI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，「世界上没有其他数据库如此详尽和严谨」。

预测方法

EpochAI凭什么预测出2028年这个时间点？

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。

数据存量

首先需要估计目前互联网上的文本数据存量S。

定期更新的开源数据集CommonCrawl爬取到了超过2500亿个网页，包含130Ttokens。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，可以使用「词频法」估计其中的页面数量。

比如，如果「chair」这个词出现在CommonCrawl0.2%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CommonCrawl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进行建模，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~500Ttokens。

根据这个预测结果以及已知的增长趋势，论文预估，互联网上的存量数据为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），这个数字可以看作索引网络数据量的上限。

数据质量

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，在书籍或维基百科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精心挑选的语料库。

论文地址：https://arxiv.org/abs/2306.01116

研究人员尝试对CommonCrawl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CommonCrawl中50%的重复数据可以实现最佳性能。

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。

数据集大小

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。EpochAI之前也曾预估过，GPT-4训练集大小达到了12Ttokens。

如果直接根据历史趋势进行外插（图中蓝线），那么到2030年，模型可以接受超过1000Ttokens的训练。

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

将计算资源和电力资源的约束引入后，就得到了下图中的预测曲线。

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增长速度，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，整个互联网上的文本数据总量约为3100T，这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等社交媒体上，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，因此几乎无法应用于LLM的训练。

但Meta公司等机构似乎没有放弃，仍在探索可能的路径来利用这些数据。

「数据墙」挡不住LLM？

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

EpochAI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」。

AI生成数据

根据报道，仅OpenAI一家公司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CommonCrawl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同样使用合成数据进行训练，尝试解决几何问题。

然而，当合成数据推广到自然语言领域时，似乎存在一些本质问题。

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，通过使用多样的训练数据，或者混合一些人类文本数据，既可以合理利用训练数据，又能一定程度上缓解副作用。

多模态和迁移学习

另一种选择就是超越文本数据，从其他领域「掘金」。

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可以使用。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」（curriculumlearning）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，EpochAI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。

「最大的不确定性在于，你会看到什么样的技术突破。」