观察|大模型“幻觉”里的算力与数据，谁会先成为“赛点”？
全球大模型群雄逐鹿，算力最先告急。今年5月29日，英伟达创始人黄仁勋断言，“我们已经达到生成式AI引爆点，从此全世界的每个角落都会有算力需求”。一天后，英伟达市值突破万亿美元，屹立世界之巅。
英伟达将世界的目光聚焦在了风云变幻的算力、显卡江湖。2023世界人工智能大会期间，有人直言，没有大算力做大模型就是天方夜谭。但也有人认为，数据要素在人工智能大模型的发展中具有关键性作用，决定了模型的训练质量、性能表现和应用领域的广度与深度。
人们常把算力、算法、数据形容为人工智能的三驾马车，但这三驾马车之间可能也不是完全的并行关系。如果说算力是大模型的“根”，那数据或者说是高质量的语料库，或许就会成为算力的“根”。
一热一“冷”
大模型浪潮，率先将算力推至风口浪尖。2023世界人工智能大会上，算力成为大模型绝对的关键词之一。中国工程院院士、鹏城实验室主任高文把算力比作电力，认为没有大算力做大模型就是天方夜谭。华为轮值董事长胡厚崑也提到，大模型训练的效率或者是创新的速度，根本上取决于算力的大小。中国的算力已经成为一个越来越稀缺的资源。
大会期间，毕马威与联想集团联合发布《普慧算力开启新计算时代》报告。毕马威中国数字化赋能主管合伙人张庆杰在解读报告时提到，算力供给增速明显难以满足指数式爆发的需求，储备算力成为各行各业的必要举动。
据了解，深度学习出现之前，用于AI训练的算力增长大约每20个月翻一番；之后，用于AI训练的算力大约每6个月翻一番；2012年后，全球头部AI模型训练算力需求更是加速到每3个月至4个月翻一番，即平均每年算力增长幅度达到惊人的10倍；目前大模型发展如火如荼，训练算力需求有望扩张到原来的10-100倍，算力需求的指数级增长曲线将更加陡峭。
大模型对算力的需求是显而易见的，但更关键的点可能在于是否能把算力更高效地挖掘出来。一位芯片企业的技术人员对北京商报记者提到，一个模型上线需要用到很多硬件，如果只支撑了少量用户，就会因为太贵导致用户不买账，由此撑不起正向循环的情况，但太便宜又会出现亏本的问题。特别是到落地阶段，如何能够结合模型上的一些改进，把硬件的特性最大程度地发挥出来，就会变得非常重要。
“也就是说在训练阶段，大家对算力的追求可能是‘大’，这一方面能够做出更大的模型，另一方面也能够进行更快速的迭代。但到用户开始接受这个效果的时候，就要涉及到怎样做才能更划算的问题，也就是说在部署阶段，可能要更关注‘精’的问题，尽可能用相对少的算力实现最大程度的作用。”上述技术人员说道。
大会期间，比起对算力的探讨，数据就显得有些“冷清”了。“数据要素比大模型早好几年，大模型被‘炒’起来了，但数据要素却一直不温不火”，7月8日，在2023世界人工智能大会“大模型时代下的数据要素流通”论坛的主题演讲中，拓尔思总裁施水才开场便提出了这样一种现象，在他看来，这场论坛为人们认识数据要素流通提供了一个新的视角。
大模型“幻觉”
在上述论坛上，中国知网副总经理张宏伟表示，数据是人工智能的基石，数据的质量和数量最终决定人工智能水平高低，影响其安全性、可信性。施水才更是认为，高质量数据才是大模型价值跃迁的制胜法宝。
但当下的问题在于，数据并不都是高质量的。过去一段时间，一度出现“AI正在污染中文互联网”的讨论，而AI最让人诟病的就是“幻觉”问题，也就是人们常说的“一本正经地胡说八道”。
大模型“幻觉”也是人工智能大会期间被提到的高频词汇。施水才对北京商报记者提到，“幻觉”问题的出现，主要是因为大模型缺乏理论的支撑，因为其核心技术原理主要就是Transformer架构下的Next Token Prediction，即“下一个字符的预测”。另一方面大模型并不是越大越好，数据也不是越多越好，真正好的大模型是参数大小适中，数据高质量。
算力可以堆硬件，相比起来，优质数据的供给可能会复杂得多。上海数据交易所总经理汤奇峰认为，大模型时代下的语料库建设存在语料库供给不足、语料库质量不高、语料库多样性匮乏、语料库标准欠缺等问题。
在接受北京商报记者采访时，上海数据交易所副总经理韦志林提到，从推动数字经济，推动数据作为生产要素的角度看，数据应该是最核心、最长远、最基础性的因素。“大模型的预训练对数据要求也特别高，必须在前期进行清洗、标注、标识，但围绕千行百业的数据训练，在数据供给方面也呈现出了许多问题和挑战。”
首要的就是头部厂商并不愿意开放数据。数据是生产要素，数据有价值，这些已经达成共识，但进行数据共享就一定会牵扯到安全问题，如何解决数据在共享过程中的安全机制至关重要。而数据的开放流通，也自然涉及收益分配，且数据流通过程中创造的新价值更多服务于企业内部，拿出去的动力还需进一步培育。
“所以从数据流通本身看，更多压力还存在供给侧这一方面，需要解决供给侧中产权制度问题、收益分配制度问题、安全问题、基础设施问题等，让数据流通更加便捷、更加合规。”韦志林表示，上海数据交易所作为国家战略的承接者，需要解决的就是这些问题。
据了解，7月8日，上海数据交易所启动语料数据生态创新合作伙伴计划，而在此前一天，上海数据交易所官网刚刚正式上线语料库，累计挂牌近30个语料数据产品，包含文本、音频、图像等多模态，覆盖金融、交通运输和医疗等领域。
汤奇峰称，语料库建设不是单一企业的责任，需要多方共同推进，如果每个企业都单独建设维护语料库，会拉低效率，也会增加企业成本，“数交所希望通过自己的努力加强数据要素建设提升语料库建设效率。”
北京商报记者 杨月涵