數(shù)據(jù)開源為AI發(fā)展“推波助瀾”

  ICC訊 在6月9日—10日舉行的2023北京智源大會上，“AI數(shù)據(jù)開源”引發(fā)廣泛關注。AI數(shù)據(jù)為什么要開源？AI數(shù)據(jù)開源面臨哪些挑戰(zhàn)？它會是未來AI發(fā)展的重要趨勢嗎？科技日報記者帶著這些問題采訪了相關專家。

  AI數(shù)據(jù)開源意義重大

  有專家認為，AI數(shù)據(jù)開源對深度學習模型的發(fā)展意義重大。由于訓練AI大模型需要大量資源，所以預計“贏家通吃”類AI系統(tǒng)的開發(fā)和管理將首先由少部分閉源實體所主導。

  但遺憾的是，這種資源限制導致研究人員、非營利組織和初創(chuàng)公司等小規(guī)模實體因無法承擔高昂的成本，幾乎不可能從零開始訓練自己的AI大模型。

  以對話類模型為例，目前國內外眾多已經開源的對話模型，其實都是基于語言基礎大模型，再利用少量指令微調數(shù)據(jù)進行訓練所得。

  如果開源AI大模型的數(shù)據(jù)在質量上具有足夠的競爭力，深度學習模型的規(guī)?；柧毢瓦\行成本將大幅降低。

  北京智源人工智能研究院（以下簡稱智源）副院長兼總工程師林詠華對記者表示，大模型是AI未來發(fā)展的重要方向，其研究和應用將逐步成為AI發(fā)展的關鍵方向，并有望形成新一波AI推廣浪潮，而AI數(shù)據(jù)開源將進一步促進大模型的發(fā)展。

  深度學習需要大量的標注數(shù)據(jù)進行模型訓練。在林詠華看來，過去10年，深度學習技術快速發(fā)展的重要原因，就是許多志愿者團體、國外科研團隊一直在積極地收集、整理并開源用于深度學習的訓練數(shù)據(jù)集?！爱斍?A href="http://3xchallenge.com/site/CN/Search.aspx?page=1&keywords=AI&column_id=ALL&station=%E5%85%A8%E9%83%A8" target="_blank">AI大模型訓練對數(shù)據(jù)量的需求，比之前的深度學習小模型對數(shù)據(jù)量的需求有了百倍，甚至千倍的提升。所以，尤其在過去一年，數(shù)據(jù)開源的問題日益受到廣泛關注?！绷衷伻A說。

  背后挑戰(zhàn)不容忽視

  開源固然會為AI發(fā)展帶來諸多好處，但其背后的挑戰(zhàn)也不容忽視。其中之一，便是開源安全與合規(guī)挑戰(zhàn)。林詠華認為，對傳統(tǒng)的商業(yè)軟件而言，開源中的安全、合規(guī)、許可證和代碼質量風險等是使用開源組件必須面臨的挑戰(zhàn)。然而在AI大模型時代，更大的挑戰(zhàn)則在開源數(shù)據(jù)集方面。

  因此，AI數(shù)據(jù)開源應在協(xié)議許可的范圍內進行?！坝糜?A href="http://3xchallenge.com/site/CN/Search.aspx?page=1&keywords=AI&column_id=ALL&station=%E5%85%A8%E9%83%A8" target="_blank">AI大模型訓練的開源數(shù)據(jù)必須是合法地從公開或可公開獲得的資源中收集的數(shù)據(jù)。人們可以在開源協(xié)議允許的范圍內，以AI大模型訓練、AI算法開發(fā)為目的，對數(shù)據(jù)進行訪問、修改和使用。部分數(shù)據(jù)可能要求使用過程中遵守更嚴格的協(xié)議?！绷衷伻A表示。

  此外，今天的基礎AI大模型不只具備理解能力，還具有生成能力，它能夠對外進行認知輸出、價值觀輸出等，可能給社會帶來巨大影響。“我們在訓練基礎大模型的時候，所使用的預訓練數(shù)據(jù)會對AI生成內容質量起到很大程度的決定性作用。因此，開源數(shù)據(jù)的質量十分重要?！?

  林詠華指出，由于高質量的數(shù)據(jù)（如文章、圖片、視頻等）通常有版權，由于版權或商業(yè)因素導致的閉源以及數(shù)據(jù)孤島等挑戰(zhàn)會制約AI的發(fā)展，所以需要多方推動構建更多高質量的開源數(shù)據(jù)集，尤其是用于訓練基礎AI大模型的開源數(shù)據(jù)集。

  LF AI & DATA基金會董事主席堵俊平對此也深有感觸：“AI大模型就像一個貪吃的‘怪獸’，始終需要研究人員投喂更多的、質量更好的數(shù)據(jù)?！彼f，當前數(shù)據(jù)幾乎都是從“在網絡上主動收集”“從第三方購買”“利用公開數(shù)據(jù)集”這三個渠道得來。在堵俊平看來，從第一個渠道得到的數(shù)據(jù)局限性較強，由于版權問題，很多公司只能從其私域獲得數(shù)據(jù)；從第二個渠道獲取的數(shù)據(jù)面臨數(shù)據(jù)定價、數(shù)據(jù)質量等問題；而從第三個渠道獲取的數(shù)據(jù)往往只能作為研究使用，在商用或者其他方面有很多限制。

  開源漸成AI發(fā)展重要趨勢

  記者了解到，智源對2023年1月到5月底發(fā)布的、具有影響力的語言模型進行過統(tǒng)計。統(tǒng)計結果表明，國外發(fā)布的開源語言模型有39個，國內發(fā)布的開源語言模型有11個。

  “開源是推動AI技術進步的重要力量，AI開源開放生態(tài)及平臺建設也日益受到重視。開源開放毫無疑問已經成為重要的AI發(fā)展趨勢之一?！绷衷伻A表示，“開源能夠促進AI大模型科研創(chuàng)新，推動和降低AI大模型落地乃至整個AI產業(yè)落地的門檻。”

  然而，通往開源的道路并非一帆風順，在數(shù)據(jù)之外，算力也是開源路上的一只“攔路虎”。AI大模型訓練依賴龐大的數(shù)據(jù)、算力。訓練參數(shù)量級的增長使得算力需求也隨之增長，算力集群正變得愈發(fā)龐大。

  然而算力成本卻是小型開發(fā)者的“不可承受之重”。拿到AI大模型開源數(shù)據(jù)后，往往需要對其進行微調和二次開發(fā)。但現(xiàn)實的情況是，對一些小型開發(fā)者來說，僅僅是做推理都很困難，就更別提對AI大模型做微調、二次開發(fā)。以ChatGPT為例，僅就算力而言，Open AI為了訓練它，就構建了由近3萬張英偉達V100顯卡組成的龐大算力集群。有消息稱，Open AI公司發(fā)布的新一代語言模型GPT-4甚至達到了100萬億的參數(shù)規(guī)模，其對應的算力需求同比大幅增加。

  目前，有一些研究機構希望用技術的革新抵消巨大的算力成本。最直接的手段是通過訓練技術的革新加快AI大模型推理速度、降低算力成本、減少能耗，以此來提高AI大模型的易用性，讓開源數(shù)據(jù)更好地發(fā)揮價值，但這只能從工程上對算力資源的約束起到緩解作用，并非終極方案。

  有業(yè)內專家表示，解決算力問題最終還是要回到AI大模型自身尋找突破點，一個十分被看好的方向便是稀疏大模型。稀疏大模型的特點是容量很大，但只有用于給定任務、樣本或標記時，模型的部分功能才會被激活。也就是說，這種稀疏大模型的動態(tài)結構能夠讓AI大模型在參數(shù)量上再躍升幾個層級，同時又不必付出巨大的算力代價，一舉兩得。

  此外，開源社區(qū)的作用同樣不容忽視。開源社區(qū)是推動開源發(fā)展的重要基石，開源的最初發(fā)源點，就是來自于社區(qū)開發(fā)者的貢獻?！癓inux系統(tǒng)的成功很大程度上得益于開源社區(qū)。30多年來，Linux系統(tǒng)發(fā)展成為擁有海量全球用戶的操作系統(tǒng)，其成功以及長久不衰的秘訣就是開源，尤其是內核社區(qū)成千上萬開發(fā)者的貢獻?！绷衷伻A舉例說。

  “開源開放可以使得我們站在前人的肩膀上前行?！绷衷伻A總結道，“這些年AI領域取得的成果大多受益于開源，如果沒有開源，AI不會發(fā)展到今天。”