点击右上角微信好友

朋友圈

请使用浏览器分享功能进行分享

正在阅读:天云数据CEO雷涛:大模型后训练时代,AI要生产数据训练自己
首页> 光明科普> 图文 > 正文

天云数据CEO雷涛:大模型后训练时代,AI要生产数据训练自己

来源:光明网2025-03-03 17:07

  今年1月,人工智能公司xAI创始人埃隆·马斯克在一场直播中表示,人工智能公司已经耗尽了用于训练模型的数据,并“耗尽”了人类的全部知识。

  数据是人工智能大模型的基础,模型通过对海量数据的分析提炼形成智能。现在,人类生产数据的速度,远远跟不上人工智能学习的步伐。没有优质数据的支撑,大模型该如何训练?

  服务于真实的数字生产资料

  “今天的数据已经供给不了明天的AI,今天的AI要生产明天需要的数据。”近日,在由北京市科协、北京科技记协组织的“首都科技人”宣传活动中,天云数据CEO、第九届吴文俊人工智能科学技术发明奖获得者雷涛分享了他对“合成数据”这一数字生产资料的看法。

 天云数据CEO雷涛:大模型后训练时代,AI要生产数据训练自己

  天云数据CEO、第九届吴文俊人工智能科学技术发明奖获得者雷涛。受访者供图

  雷涛表示,硬件的增长遵循摩尔定律,而数据的增长则呈现指数型态势。我们如今所处的时代,已然是机器生产数据的时代,合成数据则是未来算力的主要解决方案。

  但在实际应用中,合成数据是否会因为是“人造”的,而存在“假数据”的嫌疑,无法达到与真实数据同等的效用呢?

  雷涛介绍,合成数据不是假数据,它是在有限的真实数据的基础上,用真实的逻辑生成的结果数据。这些结果数据服务于真实的生产过程。

  他以完成能源行业的安全规范为例进行说明。过去编写安全规范需要专业人员,且要同时消化多种语言的操作手册;现在把所有操作手册给到计算机,计算机按照工艺流程的思维链学习并抽取内容,就能够生成安全规范。这个安全规范虽是“合成”的,却完全可以应用于实际的生产过程,这充分体现了合成数据在工业生产场景中的价值。

 由简“化”繁的生成逻辑

  那么,合成数据究竟如何生成?雷涛打了个比方,往一瓶水中滴一滴墨水,墨水会从相对简单的状态逐渐扩散,变得复杂、分散。通过逆扩散算法识别墨水扩散规律,就能模拟出不同的墨水扩散场景。合成数据也是利用类似原理,抓住核心规律,从简单数据出发,模拟数据的复杂变化过程,创造出丰富多样的数据。

  “人类的抽象逻辑留给我们的数据资产有限,都是信息化进程中沉淀下来的结构化概要信息。而要把这些概要信息,转变为能用于理解和处理复杂世界中复杂系统的内容,就需要大量合成数据。”雷涛说。

 天云数据CEO雷涛:大模型后训练时代,AI要生产数据训练自己

 受访者供图

  另外,在某些特定领域或场景下,获取真实数据存在困难。以自动驾驶领域为例,其需要百万级别的路况数据,涵盖模拟极端灾难天气、极端恶性交通事故(如波音747在高速公路上迎面迫降)、复杂路况(如路面破损、立交桥断桥)等情况的数据。这些数据难以从现实世界获取,而合成数据可按需生成,填补数据缺口,降低对有限真实数据的依赖。

 自我驱动的“数据飞轮”

  雷涛认为,人工智能已经从预训练时代走向了后训练时代。在后训练时代,大模型构建起从数据生成到模型强化的正向循环机制至关重要。就像移动互联网时代搜推系统的“数据飞轮”效应——通过应用数据优化算法,算法又反哺应用,人工智能大模型也应形成“数据飞轮”,借助AI生产训练数据实现自我训练。

  已经有数家活跃于人工智能领域的企业,正在使用合成数据训练大模型。Facebook和Instagram的所有者Meta已经使用合成数据来微调其最大的LlamaAI模型,而微软也将AI制作的内容用于其Phi-4模型。谷歌和ChatGPT背后的公司OpenAI也在其AI工作中使用了合成数据。

  最近如火如荼的Deepseek,也在训练中使用到了合成数据。根据DeepSeek-V3技术文档,对于数学、代码竞赛、逻辑谜题这类推理相关数据,DeepSeek-V3先借助已训练好的DeepSeek-R1模型生成数据,再用融合了特定优化方法(监督微调与强化学习)的专业模型。

  为应对数据“饥荒”,“自给自足”的合成数据正在成为人工智能的新燃料。雷涛以2月19日发布的斯坦福生物学模型Evo2为例,Evo2能解构生物数据,还能通过训练,重构数据维度,在人工智能与数据的深度融合中,形成“复利效应”:“现在,AI产业与数据已步入深度协同阶段,构成产业演进的底层逻辑:AI建设数据资产,数据飞轮加速AI产业发展,二者相互依存、共同发展,促使产业格局发生质变。”(记者 李欣哲)

[ 责编:蔡琳 ]
阅读剩余全文(

相关阅读

您此时的心情

光明云投
新闻表情排行 /
  • 开心
     
    0
  • 难过
     
    0
  • 点赞
     
    0
  • 飘过
     
    0

视觉焦点

  • “铭记历史 开创未来”——纪念抗战胜利80周年图片展在莫斯科举办

  • 数字赋能传统产业 激活民企发展新动能

独家策划

推荐阅读
盛夏时节,数千名科技精英正在浙江湖州西塞科学谷潜心攻关。作为湖州“五谷丰登”计划的首个“创谷”项目,西塞科学谷开园3年来累计引进省内外科技团队近40个、汇聚科技人才2600余名,成功入选全国首批“科创中国”创新基地。
2025-07-25 10:05
一台银灰色人形机器人在汽车生产车间内沉稳行进。2024年,深圳机器人产业集群企业数量达74032家,机器人上市企业34家、独角兽企业9家。
2025-07-25 10:05
24日中午12时许,“新舟”60民用搜救机顺利起飞,经过1小时20分飞行并完成预定验证科目后,平稳降落在西安阎良机场,顺利完成首次飞行。
2025-07-25 10:01
2016年4月,习近平总书记在安徽调研时强调:“当今世界科技革命和产业变革方兴未艾,我们要增强使命感,把创新作为最大政策,奋起直追,迎头赶上。”
2025-07-25 02:55
在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术的驱动下,人工智能正在对经济社会发展、国家治理等产生重大而深远的影响。
2025-07-25 02:55
近日,中国科学院南京地质古生物研究所科研人员对约4.36亿年前的志留纪早期腕足动物化石居群展开深入研究,首次揭示了这些远古海洋底栖生物如何利用刚毛来维持彼此间的“社交距离”
2025-07-24 03:15
在广袤的田野上,每一抔泥土都隐藏着一个微观的奇妙世界——数量庞大、种类繁多的微生物。
2025-07-24 03:15
雄伟的跨海大桥、海中的钻井平台……人类的脚步正延伸向深海。
2025-07-24 03:15
“孙女给我请了一个24小时‘家庭药师’,就在我的手机里。边聊天,边指导我用药,省心安心、方便管用!”视频中的高奶奶高兴地说。
2025-07-24 03:15
“中试”即中间试验,是科研成果从实验室跨越至生产线的关键桥梁。中试成功与否,对科技成果的转化和产业化具有重要意义。
2025-07-24 03:15
8月1日—8月30日,为市民带来国防科普与沉浸式军事体验的盛宴。
2025-07-23 15:19
如果未来20年我们能造出通用量子计算机,它将提供一种革命性的计算能力。
2025-07-23 09:20
在广州,年过八旬的老太太小心地穿上助行外骨骼机器人,在设备辅助下轻松登上楼梯。曾经科幻电影中的场景,正发生在我们今天的生活中。
2025-07-23 02:40
“智能电网可接纳高比例新能源”“地下空间深度开发与空中慢交通系统立体分流”“太空超大型设备实现在轨制造”“生态标签农产品比例提至40%以上”“脑机接口技术为脑功能损伤患者的康复带来福音”……
2025-07-23 02:40
中国林业科学研究院刘世荣院士团队日前发布“气候智慧型适应性造林”新范式,构建起气候—树种—立地精准匹配体系
2025-07-23 02:40
近日,中国农业科学院作物科学研究所小麦大麦优异种质资源发掘与创新团队在一种小麦野生近缘种——冰草中鉴定出一个可调控穗粒数的关键基因AcRR1
2025-07-23 02:40
22日17时37分,随着330千伏玛玉二线结束试运行,330千伏玉树第二回线路工程宣告正式投运。
2025-07-23 02:40
中国互联网络信息中心7月21日发布的第五十六次《中国互联网络发展状况统计报告》显示:截至今年6月,我国网民规模达11.23亿人,互联网普及率达79.7%,越来越多群体共享数字发展成果。
2025-07-22 10:35
“对承担国家、北京市6G重大科技攻关任务的企业,给予1:1配套、最高3000万元资金支持。”
2025-07-22 02:35
从西北农林科技大学获悉,该校国家肉牛改良中心主任昝林森团队联合相关科技企业,成功研发“中国黄牛1号”50K育种芯片并正式对外发布。
2025-07-22 02:35
加载更多