AI数据告罄？巨头淡定：无需恐慌

好的，这是一篇基于你提供的信息，并按照你提出的专业新闻写作要求撰写的文章。

标题：数据“饥渴”：AI巨头不慌，探索新“食谱”

引言：

人工智能的飞速发展，如同一个贪婪的巨人，正以前所未有的速度吞噬着数据。从聊天机器人到图像识别，每一个AI模型的背后，都离不开海量数据的喂养。然而，随着互联网这片“知识海洋”逐渐被“吸干”，AI行业是否会面临“断粮”危机？尽管有专家预测，到2028年左右，用于训练AI模型的数据集规模将达到与公共在线文本总量相当的水平，但大型AI公司似乎并未因此感到恐慌。他们正在积极探索新的数据来源和训练方法，以应对这场潜在的“数据饥渴”。

主体：

数据“耗尽”：并非末日预言

近年来，大型语言模型（LLM）的崛起，对数据产生了巨大的需求。据估计，自2020年以来，用于训练LLM的“token”（单词片段）数量增加了100倍，从数千亿增长到数万亿。这相当于互联网上大部分的文本内容。然而，互联网内容的增长速度远不及AI模型对数据的需求。Epoch AI的研究预测，到2028年，AI训练数据集的规模将与互联网上的公共文本总量趋于一致，这引发了人们对数据“耗尽”的担忧。

与此同时，数据所有者，如报纸出版商，也开始收紧对内容的访问权限，通过技术手段阻止网络爬虫抓取数据，并寻求法律途径维护版权。这使得AI开发人员获取高质量训练数据的难度进一步加大。麻省理工学院的Shayne Longpre指出，这种“数据共享”规模的危机已经显现，并可能减缓AI系统的快速发展。

AI巨头的“数据食谱”

尽管面临数据瓶颈，大型AI公司并未坐以待毙。OpenAI和Anthropic等公司公开承认了这个问题，并表示他们正在积极寻找解决方案。这些方案包括：

生成新数据： 利用AI模型生成合成数据，以扩充训练数据集。
寻找非常规数据源： 探索非公开数据，如WhatsApp消息、YouTube视频转录文字等。
合作与共享： 与合作伙伴共享非公开数据，并探索数据共享的新模式。

OpenAI的一位发言人表示，他们使用了多种来源，包括公开数据、合作伙伴的非公开数据、合成数据以及来自AI训练师的数据。这些举措表明，AI公司正在积极拓展数据来源，以应对未来的挑战。

从通用到专业：AI模型的转型

数据危机可能会迫使AI模型发生转型。传统的规模化策略依赖于大型、通用的LLM，但随着数据资源的枯竭，未来可能会出现更多小型、专业的AI模型。这些模型将专注于特定领域，如医疗、环境或教育，利用专业数据集进行训练。

斯坦福大学的李飞飞认为，对数据耗尽的担忧使人们对数据构成的看法过于狭隘。她认为，医疗保健、环境和教育等领域存在大量未开发的信息，这些信息可以为AI的发展提供新的动力。

超越文本：AI的未来

除了寻找新的数据来源，AI研究人员也在探索新的训练方法。例如，一些模型已经能够在一定程度上对未标记的视频或图像进行训练。Meta的首席AI科学家Yann LeCun认为，未来AI模型可以通过观察世界来学习，就像一个孩子一样，这为AI的发展打开了新的可能性。

LeCun指出，用于训练现代LLM的10的13次方个token听起来很多，但一个4岁的孩子在醒着的时候仅仅通过看物体就吸收了比这大50倍的数据量。这表明，AI的未来可能不再仅仅依赖于文本数据，而是要从更丰富的感官信息中学习。

结论：

尽管数据“耗尽”的担忧真实存在，但AI行业并未因此陷入恐慌。大型AI公司正在积极探索新的数据来源和训练方法，以应对未来的挑战。从生成新数据到寻找非常规数据源，从通用模型到专业模型，AI的未来充满了变数和可能性。这场数据危机或许会成为AI发展的新起点，推动AI技术向更加多元化和可持续的方向发展。

参考文献：

Jones, N. (2024, December 24). Data Is Running Out? No One at Big AI Companies Is Panicking. InfoQ.
Epoch AI. (2023). Forecasting the growth of AI training datasets.
Longpre, S., et al. (2024). The Growing Restriction of Web Data for AI Training.
Bloomberg Technology Summit. (2024, May). Li Fei-Fei on the future of AI.
LeCun, Y. (2024, February). AI Conference Presentation.

写作说明：