首页 / 资讯详情
BAT 集体重做「AI 预训练」，补「脏数据」的坑
摘要
最近大半年，国内一批 AI 模型厂商密集启动“预训练返工”，起因都指向同一件事：数据不行。它们中，有的此前花了一年死磕万亿参数模型，落地表现却被市面上 1% 规模的小模型倒挂，最终查出是被脏数据拖了后腿。有的曾因数据标注规则模糊、评测集污染、垃圾语料冗余等工程硬伤而导致模型进展迟缓。还有的因数据受限，导致模型遭遇性能瓶颈，索性推倒重来，并重建了数据团队。与此同时，借 API 中转站截留交互轨迹、做数据蒸馏等，也成了行业水面下的一场暗战。数据，正在给模型厂商上一堂教训深刻的课。这堂课远比算力消耗、架构选型和人才争夺更隐蔽。“AI 下半场的胜负手是数据”，这话听上去像常识，但直到今天，大家才真正闻到了它背后的血腥味。01数据上的“粗放式弯路”预训练返工，本质上是在补数据的课。“多就行了”的误区一位头部基模公司的数据专家赵翔向雷峰网回忆，前些年刚开始做预训练的时候，大家的主流观点是“数据多就可以了，稍微差一点没关系，模型自己有转化能力和鲁棒性。”于是开始一味地粗放式堆数据，只求规模不讲质量。再加上，当时行业普遍缺乏成熟的大规模数据治理体系，大家为了凑齐数千亿甚至上万亿 token 的语料库，抓取了大量网页垃圾、脏语料，甚至混入了各种来源不明的清洗包。很多数据的标注和筛选也没有处理好，导致训练出来的第一版模型效果较差。然后大家才发现，不注重数据质量，会让模型卡在 60、70 分上不去，“眼看海外的模型都跑到 90 分了，就是追不上。”于是不得不回过头来重做数据优化。脏数据的代价“底层脏数据的危害远比想象的大。它会让你投入的卡、钱、人力都浪费掉，而且还会耽误你的时间窗口。”某模型厂商前高管、现 AI 创业者王斌告诉雷峰网。他向雷峰网描述过一个典型案例。一家中部基模公司，把爬来的技术博客整批灌进预训练语料，跑到训练中期才发现，其中相当部分是采集站的机器生成页，同一个段落被重复了几万次。模型在评测集上开始莫名其妙地复读，等团队定位到问题，几万卡时已经烧掉了，那一版只能作废重来。事实上，这样的翻车在行业里远不止一例。不少团队都是训练效果出了问题后，才回过头来补数据治理的课。不当的数据 KPI基元律动创始人王云鹤也曾在接受媒体采访时提到过，AI 没有什么新鲜事，数据是地基，数据不行，不要怪算力；数据不达标，什么算法都不行，因为这违背机器学习理论。而且他还特别提到一点，数据团队要对预训练团队有一定话语权，预训练团队也要反向对数据提要求。独立考核会很乱。其实，对数据团队的考核不当，是不少模型厂商都踩过的一个坑。比如，有媒体曾描述过，腾讯混元团队曾在数据治理上，出现过“标注规则定义不清，但验收线设定过高，团队为了交差，生产出大批无法使用的数据”的情况；再加上一些打榜数据、冗余数据的污染，以至于最后不得不推倒重来，专门重拉团队从头清洗数据。“数据团队的考核只看数据量的话，会很荒谬。”前述数据专家赵翔补充道。因为大模型拼的是数据的信息密度和干净程度，而非绝对体积。考核只盯数量，等于在鼓励团队拿垃圾凑数。几百 T 的脏数据灌进去，训出来的模型反而会变笨，甚至训练崩溃。02数据背后的“苦活”与“花活”地基要重打，可好数据并不是说有就有的。互联网时代攒的家底，不顶用了本地生活、社交、游戏、电商与搜索，这些在互联网时代被各家大厂视作“壁垒”的场景数据，到了 AI 时代，不奏效了。因为基模比的是通用能力，某一场景数据的优势，落到通用能力上，影响变得有限。各家虽然都在拿自己的场景数据训一些垂直小模型，但最终应用面没那么广。“按理说 Google 各类场景数据最多，应该做得最好，但显然并