數(shù)據(jù)開源為AI發(fā)展“推波助瀾”

裴宸緯

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(guān)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(guān)專家。

AI數(shù)據(jù)開源意義重大

有專家認(rèn)為，AI數(shù)據(jù)開源對深度學(xué)習(xí)模型的發(fā)展意義重大。由于訓(xùn)練AI大模型需要大量資源，所以預(yù)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(dǎo)。

但遺憾的是，這種資源限制導(dǎo)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(dān)高昂的成本，幾乎不可能從零開始訓(xùn)練自己的AI大模型。

以對話類模型為例，目前國內(nèi)外眾多已經(jīng)開源的對話模型，其實都是基于語言基礎(chǔ)大模型，再利用少量指令微調(diào)數(shù)據(jù)進(jìn)行訓(xùn)練所得。

如果開源AI大模型的數(shù)據(jù)在質(zhì)量上具有足夠的競爭力，深度學(xué)習(xí)模型的規(guī)模化訓(xùn)練和運(yùn)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(yīng)用將逐步成為AI發(fā)展的關(guān)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(jìn)一步促進(jìn)大模型的發(fā)展。

深度學(xué)習(xí)需要大量的標(biāo)注數(shù)據(jù)進(jìn)行模型訓(xùn)練。在林詠華看來，過去10年，深度學(xué)習(xí)技術(shù)快速發(fā)展的重要原因，就是許多志愿者團(tuán)體、國外科研團(tuán)隊一直在積極地收集、整理并開源用于深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集?！爱?dāng)前AI大模型訓(xùn)練對數(shù)據(jù)量的需求，比之前的深度學(xué)習(xí)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(guān)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(rèn)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(zhì)量風(fēng)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(yīng)在協(xié)議許可的范圍內(nèi)進(jìn)行?！坝糜贏I大模型訓(xùn)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(nèi)，以AI大模型訓(xùn)練、AI算法開發(fā)為目的，對數(shù)據(jù)進(jìn)行訪問、修改和使用。部分?jǐn)?shù)據(jù)可能要求使用過程中遵守更嚴(yán)格的協(xié)議?！绷衷伻A表示。

此外，今天的基礎(chǔ)AI大模型不只具備理解能力，還具有生成能力，它能夠?qū)ν膺M(jìn)行認(rèn)知輸出、價值觀輸出等，可能給社會帶來巨大影響。“我們在訓(xùn)練基礎(chǔ)大模型的時候，所使用的預(yù)訓(xùn)練數(shù)據(jù)會對AI生成內(nèi)容質(zhì)量起到很大程度的決定性作用。因此，開源數(shù)據(jù)的質(zhì)量十分重要?！?/p>

林詠華指出，由于高質(zhì)量的數(shù)據(jù)（如文章、圖片、視頻等）通常有版權(quán)，由于版權(quán)或商業(yè)因素導(dǎo)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(gòu)建更多高質(zhì)量的開源數(shù)據(jù)集，尤其是用于訓(xùn)練基礎(chǔ)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(zhì)量更好的數(shù)據(jù)?！彼f，當(dāng)前數(shù)據(jù)幾乎都是從“在網(wǎng)絡(luò)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(qiáng)，由于版權(quán)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(zhì)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(jìn)行過統(tǒng)計。統(tǒng)計結(jié)果表明，國外發(fā)布的開源語言模型有39個，國內(nèi)發(fā)布的開源語言模型有11個。

“開源是推動AI技術(shù)進(jìn)步的重要力量，AI開源開放生態(tài)及平臺建設(shè)也日益受到重視。開源開放毫無疑問已經(jīng)成為重要的AI發(fā)展趨勢之一。”林詠華表示，“開源能夠促進(jìn)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(chǎn)業(yè)落地的門檻。”

然而，通往開源的道路并非一帆風(fēng)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(xùn)練依賴龐大的數(shù)據(jù)、算力。訓(xùn)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(jìn)行微調(diào)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(diào)、二次開發(fā)。以ChatGPT為例，僅就算力而言，Open AI為了訓(xùn)練它，就構(gòu)建了由近3萬張英偉達(dá)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(dá)到了100萬億的參數(shù)規(guī)模，其對應(yīng)的算力需求同比大幅增加。

目前，有一些研究機(jī)構(gòu)希望用技術(shù)的革新抵消巨大的算力成本。最直接的手段是通過訓(xùn)練技術(shù)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(nèi)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(wù)、樣本或標(biāo)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(jié)構(gòu)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(xiàn)?！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(nèi)核社區(qū)成千上萬開發(fā)者的貢獻(xiàn)。”林詠華舉例說。

“開源開放可以使得我們站在前人的肩膀上前行。”林詠華總結(jié)道，“這些年AI領(lǐng)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?！?/p>