數據開源為AI發展“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數據開源”引發廣泛關注。AI數據為什么要開源？AI數據開源面臨哪些挑戰？它會是未來AI發展的重要趨勢嗎？科技日報記者帶著這些問題采訪了相關專家。

AI數據開源意義重大

有專家認為，AI數據開源對深度學習模型的發展意義重大。由于訓練AI大模型需要大量資源，所以預計“贏家通吃”類AI系統的開發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、非營利組織和初創公司等小規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據進行訓練所得。

如果開源AI大模型的數據在質量上具有足夠的競爭力，深度學習模型的規模化訓練和運行成本將大幅降低。

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未來發展的重要方向，其研究和應用將逐步成為AI發展的關鍵方向，并有望形成新一波AI推廣浪潮，而AI數據開源將進一步促進大模型的發展。

深度學習需要大量的標注數據進行模型訓練。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據集。“當前AI大模型訓練對數據量的需求，比之前的深度學習小模型對數據量的需求有了百倍，甚至千倍的提升。所以，尤其在過去一年，數據開源的問題日益受到廣泛關注。”林詠華說。

背后挑戰不容忽視

開源固然會為AI發展帶來諸多好處，但其背后的挑戰也不容忽視。其中之一，便是開源安全與合規挑戰。林詠華認為，對傳統的商業軟件而言，開源中的安全、合規、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。然而在AI大模型時代，更大的挑戰則在開源數據集方面。

因此，AI數據開源應在協議許可的范圍內進行。“用于AI大模型訓練的開源數據必須是合法地從公開或可公開獲得的資源中收集的數據。人們可以在開源協議允許的范圍內，以AI大模型訓練、AI算法開發為目的，對數據進行訪問、修改和使用。部分數據可能要求使用過程中遵守更嚴格的協議。”林詠華表示。

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，所使用的預訓練數據會對AI生成內容質量起到很大程度的決定性作用。因此，開源數據的質量十分重要。”

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

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、質量更好的數據。”他說，當前數據幾乎都是從“在網絡上主動收集”“從第三方購買”“利用公開數據集”這三個渠道得來。在堵俊平看來，從第一個渠道得到的數據局限性較強，由于版權問題，很多公司只能從其私域獲得數據；從第二個渠道獲取的數據面臨數據定價、數據質量等問題；而從第三個渠道獲取的數據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發展重要趨勢

記者了解到，智源對2023年1月到5月底發布的、具有影響力的語言模型進行過統計。統計結果表明，國外發布的開源語言模型有39個，國內發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發展趨勢之一。”林詠華表示，“開源能夠促進AI大模型科研創新，推動和降低AI大模型落地乃至整個AI產業落地的門檻。”

然而，通往開源的道路并非一帆風順，在數據之外，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據、算力。訓練參數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龐大。

然而算力成本卻是小型開發者的“不可承受之重”。拿到AI大模型開源數據后，往往需要對其進行微調和二次開發。但現實的情況是，對一些小型開發者來說，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。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公司發布的新一代語言模型GPT-4甚至達到了100萬億的參數規模，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，讓開源數據更好地發揮價值，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結構能夠讓AI大模型在參數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，開源社區的作用同樣不容忽視。開源社區是推動開源發展的重要基石，開源的最初發源點，就是來自于社區開發者的貢獻。“Linux系統的成功很大程度上得益于開源社區。30多年來，Linux系統發展成為擁有海量全球用戶的操作系統，其成功以及長久不衰的秘訣就是開源，尤其是內核社區成千上萬開發者的貢獻。”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不會發展到今天。”