Learn By Doing With Steven 数能生智

互联网上的真实人类数据正在耗尽。主要 LLM 厂商已经使用了几乎所有公开可用的高质量文本——预计整个互联网约有 10 万亿 token 的数据，大模型已经吃了个差不多。下一步怎么办？答案似乎是合成数据——用 AI 自己生成训练数据。但这引出了一个令人不安的问题：用 AI 喂养的数据来训练 AI，会不会让模型陷入一种缓慢的自我降解？

数据的马尔萨斯困境

托马斯·马尔萨斯在 18 世纪警告：人口增长是指数级的，但粮食生产是线性的，两者必将碰撞。今天，AI 领域面临着一个类似的困境：

模型对数据的需求，正在超越人类生产高质量数据的速度。

• GPT-4 的训练集约 13 万亿 token
• Llama 3 的训练集约 15 万亿 token
• 下一代模型估计需要 100 万亿 token 以上

而可用的高质量互联网文本，估计只有 10-20 万亿 token。这个缺口，只能用合成数据来填补。

一、合成数据的正确用法

并非所有的合成数据都是有害的。它在某些场景下，是真正有价值的训练信号：

有效的合成数据应用

数学与代码：这两个领域有一个关键特性——输出可以被程序化验证。你可以生成一道数学题，让模型尝试解答，用程序检验答案是否正确。只有答案正确的数据，才被加入训练集。这就是 DeepSeek R1 和 OpenAI o 系列模型成功的秘密：自我博弈（Self-Play）+ 可验证奖励。

罕见知识的增强：对于训练数据中本来就稀少的领域（如古语翻译、特定专业知识），合成数据可以填补训练分布的空白。

对话风格的对齐：RLHF（基于人类反馈的强化学习）可以用 AI 生成候选回答，再由人类/强模型排序——这里的合成是"候选生成"，而最终的偏好信号来自真实评估。

危险的合成数据应用

用弱模型的输出来训练弱模型：如果 A 模型的输出用来训练 B 模型，而 A模型的能力并不超过 B，那么 B 只是在学习 A 的局限，而非真正的提升。

无验证机制的大规模生成：在没有任何可验证的质量过滤的情况下，大规模生成文本并用于训练，是一种将错误锁定进模型参数的做法。

二、模型崩溃（Model Collapse）：被证实的威胁

2024 年，牛津大学、剑桥大学等机构的研究人员发表了关于"模型崩溃（Model Collapse）"的研究：

当模型反复在合成数据（前代模型输出）上训练时，会发生什么？

实验结果揭示了一个令人担忧的模式：

1. 第一代
   在真实数据上训练，模型有良好的多样性和准确性
2. 第二代
   部分使用第一代模型的合成数据，输出多样性轻微下降
3. 第五代
   几乎完全使用合成数据，输出趋向单一化，罕见知识开始消失
4. 第十代
   输出质量严重退化，模型只会生成少数几种高频模式的变体

这个过程类似于近亲繁殖（Inbreeding）——每一代都在强化上一代的偏差，同时丢失多样性。

三、互联网的"AI 污染"问题

模型崩溃的风险，还有一个更隐蔽的维度：互联网正在被 AI 生成的内容大量填充。

• 2024 年，AI 生成内容占新发布网络内容的比例估计超过 30%
• 新闻聚合、博客、社交媒体，充斥着 AI 改写或生成的文章
• 下一代模型爬取互联网时，将有大量 AI 生成的数据混入训练集，而无法被完全识别和过滤

这意味着，即使模型公司努力避免使用合成数据，现实世界的训练数据本身，已经在被 AI 内容污染。

如果互联网变成一面镜子，只是反射上一代 AI 的偏见和局限，下一代 AI 从这面镜子里学到的，也只是偏见和局限的放大版。

四、解药：可验证性是核心

从成功的合成数据应用（数学、代码）中，我们可以提炼出一个关键原则：

有效的合成数据，必须有独立于生成过程之外的验证机制。

• 数学题：程序验算
• 代码：单元测试 / 运行时验证
• 化学分子：分子动力学模拟
• 棋类游戏：规则引擎验证

这些领域的合成数据是安全的，因为真理的最终仲裁者不是模型本身，而是外部的、形式化的验证系统。

自然语言领域的挑战，正在于它缺乏等价的验证机制——你如何程序化地验证一篇文章"写得好"？这个问题，尚无完美答案。

五、大厂的现实策略

各大实验室对这个问题的应对策略，正在趋于清晰：

没有一个完美的解决方案。但保持对真实数据的获取渠道，以及对合成数据的严格质量门控，是当前最可行的策略组合。

一个需要被认真对待的风险

合成数据不是 AI 训练的终极答案，但它也不是必然的毒药。它的效果，完全取决于如何使用它。

在有可验证性的领域，合成数据是真正的数据飞轮。在无法验证的领域，未经过滤的合成数据是一条通向模型退化的危险道路。

下一个十年，数据质量的重要性，将超越模型参数量的重要性。 谁拥有高质量、可验证、真实多样的数据，谁就拥有 AI 能力的下一个护城河。

你认为"模型崩溃"的风险是被高估了，还是被低估了？欢迎在评论区分享你的看法。

Learn By Doing With Steven 数能生智All my links: https://linktr.ee/learnbydoingwithsteven