最新要闻

广告

手机

追星收到“律师警告”！13岁女孩被骗走30多万......

追星收到“律师警告”！13岁女孩被骗走30多万......

 手机自动重启怎么解决小米（手机自动重启）

手机自动重启怎么解决小米（手机自动重启）

家电

  1. 首页
  2. 电商
  3. 内容

AI 生成数据会“毒害”新模型，人工智能会“吃掉”自己吗？

来源：文汇

随着人工智能（AI）生成的内容充斥互联网，它正在破坏未来模型训练的数据。当 AI" 吃掉 " 自己时，会发生什么？


(资料图片)

得益于生成式人工智能的蓬勃发展，普通人也可随时使用计算机程序来生成文本、计算机代码、图像和音乐。与此同时，新的 AI 模型开发需要更多数据进行训练，这些由 AI 生成的内容可能很快会进入训练新模型的数据集。一些专家表示，这将在无意中引入错误，并随着每一代模型的诞生而不断积累。

越来越多证据显示，人工智能生成的文本，即使被引入训练数据集的量很少，最终也会对训练中的模型产生 " 毒害 "。而目前，几乎还没有有效的 " 解毒剂 "。英国爱丁堡大学信息学院计算机科学家里克 · 萨卡尔说：" 虽然现在或几个月后，这可能还不是问题，但我相信，几年后这将成为一个必须要面对的问题。"

AI 生成数据 " 毒害 " 已真实存在

AI 模型以自身产生的数据 " 毒害 " 自身的状况，可能有点类似于核试验带给人类的困境。

自 1945 年人类引爆第一颗原子弹后，数十年的核试验使得大量放射性尘埃进入地球大气层。而当这些空气进入新制造的钢材时，就会增高这些钢材的辐射性。

对辐射特别敏感的钢材应用而言，例如盖革计数器（一种用于测量放射性辐射的探测器），就必需使用低辐射金属。因此，人们只能抢购日益减少的低辐射金属，比如在旧船残骸中寻找 1945 年前生产的钢铁废料。

一些业内人士认为，类似的循环将在 AIGC 中重演——研究人员不得不寻找没有被 " 污染 " 的训练数据。

AI 模型是如何 " 中毒 " 的？研究人员将一些由 AI 生成的语料作为训练数据，" 喂 " 给一个正在训练的语言模型，然后使用它所输出的结果再来训练新模型，并重复这一循环。他们发现，模型每迭代一次，错误就会叠加一次。当人们要求第 10 次被训练出的模型写出有关英国历史建筑的内容时，它 " 吐出 " 的却是有关豺兔的一堆胡言乱语。

英国牛津大学机器学习研究员伊利亚 · 舒迈洛夫及其同事称这种现象为" 模型崩溃 "。他们在语言模型、生成手写数字和区分概率分布等模型中，都观察到了这种现象。" 即使在最简单的模型中，这种情况也已经发生。" 舒迈洛夫说，" 我向你保证，在更复杂的模型中，也肯定已经发生了 "。

在最近的一项预印本研究中，萨卡尔及其在西班牙马德里和英国爱丁堡的同事，用一种名为扩散模型的 AI 图像生成器进行了类似的实验：第一个模型可以生成可识别的花朵或鸟类，但到了第三个模型，所生成的图片就变得模糊不清了。

萨卡尔说，其他测试也表明，即使是部分由 AI 生成的训练数据集也是 " 有毒 " 的。他解释说：" 只要有一部分训练数据源自人工智能所生成的内容，就会产生问题。" 但更多具体细节还有待研究。

目前研究表明，模型在其数据的 " 尾部 "（模型训练集中出现频率较低的数据元素）所受到的影响最大。由于这些尾部包含的数据与 " 标准 " 相去甚远，模型崩溃可能导致 AI 输出的结果失去 " 人类数据 " 特有的多样性。

令舒迈洛夫特别担心的是，这会加剧模型对边缘群体的既有偏见，" 我们需要加紧努力，来遏制这种情况的发生 "。

阻止 " 模型崩溃 " 尚需求解

无可辩驳的事实是，AI 生成的内容已经开始进入机器学习工程师们所习惯于获取训练数据的领域。以语言模型为例：即使是主流新闻媒体也已经开始发布人工智能生成的文章，一些百科网站的编辑也希望使用语言模型为网站生成内容。

瑞士洛桑联邦理工学院（EPFL ) 学者维尼亚明 · 韦谢洛夫斯基认为，人类正处于这样一个拐点，" 许多我们用来训练模型的现有工具，很快就会被 AI 生成的文本‘喂饱’ "。

有迹象表明，AI 生成的数据也可能通过其他途径进入模型训练。韦谢洛夫斯基及其同事通过统计分析发现，已有约 1/3 的医学研究摘要有 ChatGPT 生成文本的痕迹。

EPFL 小组的研究成果于上个月发布在预印本服务器 arXiv.org 上。不过，机器学习工程师们也提出反驳。EPFL 的研究生马诺埃尔 · 奥尔塔 · 里贝罗认为，使用 ChatGPT 对文本数据进行注释更加便捷且效果更佳。

面对模型崩溃的威胁，机器学习工程师该怎么办？答案可能相当于盖革计数器中的战前钢铁：已知不受（或尽可能不受）AIGC 影响的数据。

例如，萨卡尔提出了采用 " 标准化 " 图像数据集的想法。这些数据集将由人类进行策划，因为人类知道这些数据集的内容仅由人类创作组成，并且可供开发人员免费使用。

一些工程师可能想打开互联网档案馆，查找 AI 热潮之前的内容，但舒迈洛夫并不认为使用历史数据是一种解决方案。首先，可能没有足够的历史信息来满足不断增长的模型需求。另外，这些历史数据不一定能反映不断变化的世界。

" 如果你想收集过去 100 年的新闻，并试图预测今天的新闻，这显然是行不通的，因为技术和时代都已经发生了变化。" 舒迈洛夫说。

因此，我们面临的挑战可能更为直接：从合成内容中分辨出人工生成的数据，并过滤掉后者。不过，即使有了这方面的技术，这也远不是一项简单的任务。正如萨卡尔指出的那样，如果 Adobe Photoshop 允许用户使用人工智能生成技术编辑图像，那么这样编辑出来的图像到底是不是人工智能生成的呢？

作者：杨馥溪 / 编译

编辑：许琦敏

责任编辑：任荃

* 文汇独家稿件，转载请注明出处。

关键词：