【導(dǎo)讀】最差的人類語料，也要?jiǎng)龠^AI生成的文本。

隨著GPT-4、Stable Diffusion和Midjourney的爆火，越來越多的人開始在工作和生活中引入生成式AI技術(shù)。

甚至，有人已經(jīng)開始嘗試用AI生成的數(shù)據(jù)來訓(xùn)練AI了。難道，這就是傳說中的「數(shù)據(jù)永動(dòng)機(jī)」？

然而，來自牛津、劍橋、帝國(guó)理工等機(jī)構(gòu)研究人員發(fā)現(xiàn)，如果在訓(xùn)練時(shí)大量使用AI內(nèi)容，會(huì)引發(fā)模型崩潰（model collapse），造成不可逆的缺陷。

也就是，隨著時(shí)間推移，模型就會(huì)忘記真實(shí)基礎(chǔ)數(shù)據(jù)部分。即使在幾乎理想的長(zhǎng)期學(xué)習(xí)狀態(tài)下，這個(gè)情況也無法避免。

因此研究人員呼吁，如果想要繼續(xù)保持大規(guī)模數(shù)據(jù)帶來的模型優(yōu)越性，就必須認(rèn)真對(duì)待人類自己寫出來的文本。

論文地址：https://arxiv.org/abs/2305.17493v2

但現(xiàn)在的問題在于——你以為的「人類數(shù)據(jù)」，可能并不是「人類」寫的。

洛桑聯(lián)邦理工學(xué)院（EPFL）的最新研究稱，預(yù)估33%-46%的人類數(shù)據(jù)都是由AI生成的。

訓(xùn)練數(shù)據(jù)，都是「垃圾」

毫無疑問，現(xiàn)在的大語言模型已經(jīng)進(jìn)化出了相當(dāng)強(qiáng)大的能力，比如GPT-4可以在某些場(chǎng)景下生成與人類別無二致的文本。

但這背后的一個(gè)重要原因是，它們的訓(xùn)練數(shù)據(jù)大部分來源于過去幾十年人類在互聯(lián)網(wǎng)上的交流。

如果未來的語言模型仍然依賴于從網(wǎng)絡(luò)上爬取數(shù)據(jù)的話，就不可避免地要在訓(xùn)練集中引入自己生成的文本。

對(duì)此，研究人員預(yù)測(cè)，等GPT發(fā)展到第n代的時(shí)候，模型將會(huì)出現(xiàn)嚴(yán)重的崩潰問題。

那么，在這種不可避免會(huì)抓取到LLM生成內(nèi)容的情況下，為模型的訓(xùn)練準(zhǔn)備由人類生產(chǎn)的真實(shí)數(shù)據(jù)，就變得尤為重要了。

大名鼎鼎的亞馬遜數(shù)據(jù)眾包平臺(tái)Mechanical Turk（MTurk）從2005年啟動(dòng)時(shí)就已經(jīng)成為許多人的副業(yè)選擇。

科研人員可以發(fā)布各種瑣碎的人類智能任務(wù)，比如給圖像標(biāo)注、調(diào)查等，應(yīng)有盡有。

而這些任務(wù)通常是計(jì)算機(jī)和算法無法處理的，甚至，MTurk成為一些預(yù)算不夠的科研人員和公司的「最佳選擇」。

就連貝佐斯還將MTurk的眾包工人戲稱為「人工人工智能」。

除了MTurk，包括Prolific在內(nèi)的眾包平臺(tái)已經(jīng)成為研究人員和行業(yè)實(shí)踐者的核心，能夠提供創(chuàng)建、標(biāo)注和總結(jié)各種數(shù)據(jù)的方法，以便進(jìn)行調(diào)查和實(shí)驗(yàn)。

然而，來自EPFL的研究發(fā)現(xiàn)，在這個(gè)人類數(shù)據(jù)的關(guān)鍵來源上，有近乎一半的數(shù)據(jù)都是標(biāo)注員用AI創(chuàng)建的。

論文地址：https://arxiv.org/abs/2306.07899v1

模型崩潰

而最開始提到的「模型崩潰」，就是在給模型投喂了太多來自AI的數(shù)據(jù)之后，帶來的能夠影響多代的退化。

也就是，新一代模型的訓(xùn)練數(shù)據(jù)會(huì)被上一代模型的生成數(shù)據(jù)所污染，從而對(duì)現(xiàn)實(shí)世界的感知產(chǎn)生錯(cuò)誤的理解。

更進(jìn)一步，這種崩潰還會(huì)引發(fā)比如基于性別、種族或其他敏感屬性的歧視問題，尤其是如果生成AI隨著時(shí)間的推移學(xué)會(huì)在其響應(yīng)中只生成某個(gè)種族，而「忘記」其他種族的存在。

而且，除了大語言模型，模型崩潰還會(huì)出現(xiàn)在變分自編碼器（VAE）、高斯混合模型上。

需要注意的是，模型崩潰的過程與災(zāi)難性遺忘（catastrophic forgetting）不同，模型不會(huì)忘記以前學(xué)過的數(shù)據(jù)，而是開始把模型的錯(cuò)誤想法曲解為現(xiàn)實(shí)，并且還會(huì)強(qiáng)化自己對(duì)錯(cuò)誤想法的信念。

舉個(gè)例子，比如模型在一個(gè)包含100張貓圖片的數(shù)據(jù)集上進(jìn)行訓(xùn)練，其中有10張藍(lán)毛貓，90張黃毛貓。

模型學(xué)到的結(jié)論是，黃毛貓更普遍，同時(shí)會(huì)傾向于把藍(lán)毛貓想象的比實(shí)際更偏黃，所以在被要求生成新數(shù)據(jù)時(shí)可能會(huì)返回一些類似綠毛貓的結(jié)果。

而隨著時(shí)間的推移，藍(lán)毛的原始特征在多個(gè)訓(xùn)練epoch中逐漸被侵蝕，直接從藍(lán)色變成了綠色，最終再演變?yōu)辄S色，這種漸進(jìn)的扭曲和丟失少數(shù)特征的現(xiàn)象就是模型崩潰。

具體來說，模型崩潰可以分為兩種情況：

1. 早期模型崩潰（early model collapse），模型開始丟失有關(guān)分布尾部的信息；

2. 后期模型崩潰（late model collapse），模型與原始分布的不同模式糾纏在一起，并收斂到一個(gè)與原始分布幾乎沒有相似之處的分布，往往方差也會(huì)非常小。

與此同時(shí)，研究人員也總結(jié)出了造成模型崩潰的兩個(gè)主要原因：

其中，在更多的時(shí)候，我們會(huì)得到一種級(jí)聯(lián)效應(yīng)，即單個(gè)不準(zhǔn)確的組合會(huì)導(dǎo)致整體誤差的增加。

1. 統(tǒng)計(jì)近似誤差（Statistical approximation error）

在重采樣的每一步中，信息中非零概率都可能會(huì)丟失，導(dǎo)致出現(xiàn)統(tǒng)計(jì)近似誤差，當(dāng)樣本數(shù)量趨于無限會(huì)逐漸消失，該誤差是導(dǎo)致模型崩潰的主要原因。

2. 函數(shù)近似誤差（Functional approximation error）

該誤差主要源于模型中的函數(shù)近似器表達(dá)能力不足，或者有時(shí)在原始分布支持之外的表達(dá)能力太強(qiáng)。

眾所周知，神經(jīng)網(wǎng)絡(luò)在極限情況下是通用的函數(shù)近似器，但實(shí)際上這種假設(shè)并不總是成立的，特別是神經(jīng)網(wǎng)絡(luò)可以在原始分布的支持范圍之外引入非零似然。

舉個(gè)簡(jiǎn)單例子，如果我們?cè)噲D用一個(gè)高斯分布來擬合兩個(gè)高斯的混合分布，即使模型具有關(guān)于數(shù)據(jù)分布的完美信息，模型誤差也是不可避免的。

需要注意的是，在沒有統(tǒng)計(jì)誤差的情況下，函數(shù)近似誤差只會(huì)發(fā)生在第一代，一旦新的分布能被函數(shù)近似器描述出來，就會(huì)在各代模型中保持完全相同的分布。

可以說，模型強(qiáng)大的近似能力是一把雙刃劍：其表達(dá)能力可能會(huì)抵消統(tǒng)計(jì)噪聲，從而更好地?cái)M合真實(shí)分布，但同樣也會(huì)使噪聲復(fù)雜化。

對(duì)此，論文共同一作Ilia Shumailov表示：「生成數(shù)據(jù)中的錯(cuò)誤會(huì)累積，最終迫使從生成數(shù)據(jù)中學(xué)習(xí)的模型進(jìn)一步錯(cuò)誤地理解現(xiàn)實(shí)。而且模型崩潰發(fā)生得非常快，模型會(huì)迅速忘記最初學(xué)習(xí)的大部分原始數(shù)據(jù)。」

解決方法

好在，研究人員發(fā)現(xiàn)，我們還是有辦法來避免模型崩潰的。

第一種方法是保留原始的、完全或名義上由人類生成的數(shù)據(jù)集的高質(zhì)量副本，并避免與AI生成的數(shù)據(jù)混合，然后定期使用這些數(shù)據(jù)對(duì)模型進(jìn)行重新訓(xùn)練，或者完全從頭訓(xùn)練一遍模型。

第二種避免回復(fù)質(zhì)量下降并減少AI模型中的錯(cuò)誤或重復(fù)的方法是將全新的、干凈的、由人類生成的數(shù)據(jù)集重新引入訓(xùn)練中。

為了防止模型崩潰，開發(fā)者需要確保原始數(shù)據(jù)中的少數(shù)派在后續(xù)數(shù)據(jù)集中得到公正的表征。

數(shù)據(jù)需要仔細(xì)備份，并覆蓋所有可能的邊界情況；在評(píng)估模型的性能時(shí)，需要考慮到模型將要處理的數(shù)據(jù)，甚至是最不可信的數(shù)據(jù)。

隨后，當(dāng)重新訓(xùn)練模型時(shí)，還需要確保同時(shí)包括舊數(shù)據(jù)和新數(shù)據(jù)，雖然會(huì)增加訓(xùn)練的成本，但至少在某種程度上有助于緩解模型崩潰。

不過，這些方法必須要內(nèi)容制作者或AI公司采取某種大規(guī)模的標(biāo)記機(jī)制，來區(qū)分AI生成的內(nèi)容和人類生成的內(nèi)容。

目前，有一些開箱即用的解決方案，比如GPTZero，OpenAI Detector，或Writer在簡(jiǎn)單的文本上工作得很好。

然而，在一些特殊的文本中，這些方法并不能有效執(zhí)行。比如，在EPFL研究中有ChatGPT合成的10個(gè)總結(jié)，而GPTZero只檢測(cè)到6個(gè)是合成的。

對(duì)此，研究人員通過微調(diào)自己的模型來檢測(cè)AI的使用，發(fā)現(xiàn)ChatGPT在編寫本文時(shí)是最常用的LLM。

對(duì)于構(gòu)建的檢測(cè)AI數(shù)據(jù)的方法，研究人員利用原始研究中的答案和用ChatGPT合成的數(shù)據(jù)，訓(xùn)練了一個(gè)定制的「合成-真實(shí)分類器」。

然后用這個(gè)分類器來估計(jì)重新進(jìn)行的任務(wù)中合成答案的普遍性。

具體來講，研究人員首先使用真正由人類撰寫的MTurk回應(yīng)，和合成LLM生成的回應(yīng)，來訓(xùn)練特定任務(wù)的「合成-真實(shí)分類器」。

其次，將這個(gè)分類器用于MTurk的真實(shí)回應(yīng)（其中眾包人可能使用，也可能沒有依賴LLM），以估計(jì)LLM使用的普遍性。

最后，研究者確認(rèn)了結(jié)果的有效性，在事后比較分析擊鍵數(shù)據(jù)與MTurk的回應(yīng)。

實(shí)驗(yàn)結(jié)果顯示，這個(gè)模型在正確識(shí)別人工智能文本方面高達(dá)99%的準(zhǔn)確率。

此外，研究人員用擊鍵數(shù)據(jù)驗(yàn)證了結(jié)果，發(fā)現(xiàn)：

- 完全在MTurk文本框中寫的總結(jié)（不太可能是合成的）都被歸類為真實(shí)的；

- 在粘貼的總結(jié)中，提取式總結(jié)和LLM的使用有明顯區(qū)別。

具體來講，人工智能生成的文本通常與原始總結(jié)幾乎沒有相似之處。這表明AI模型正在生成新文本，而不是復(fù)制和粘貼原始內(nèi)容的一部分。

「人類數(shù)據(jù)」很重要

現(xiàn)在，人們普遍擔(dān)心LLM將塑造人類的「信息生態(tài)系統(tǒng)」，也就是說，在線可獲得的大部分信息都是由LLM生成的。

使用綜合生成數(shù)據(jù)訓(xùn)練的LLM的性能明顯降低，就像Ilia Shumailov所稱會(huì)讓模型患上「癡呆癥」。

而這個(gè)問題將會(huì)變得更加嚴(yán)重，因?yàn)殡S著LLM的普及，眾包工作者們已經(jīng)廣泛使用ChatGPT等各種LLM。

但對(duì)于人類內(nèi)容創(chuàng)作者來說，這是一個(gè)好消息，提高工作效率的同時(shí)，還賺到了錢。

但是，若想挽救LLM不陷于崩潰的邊緣，還是需要真實(shí)的「人類數(shù)據(jù)」。

1. 人類數(shù)據(jù)在科學(xué)中仍然是至關(guān)重要的

2. 在合成數(shù)據(jù)上訓(xùn)練模型可能會(huì)帶來偏見和意識(shí)形態(tài)永久化

3. 隨著模型變得流行和更好/多模態(tài)，采用率只會(huì)增加

總的來說，由人類生成的原始數(shù)據(jù)可以更好地表示世界，雖然也可能包含某些劣質(zhì)、概率較低的數(shù)據(jù)；而生成式模型往往只會(huì)過度擬合流行數(shù)據(jù)，并對(duì)概率更低的數(shù)據(jù)產(chǎn)生誤解。

那么，在充斥著生成式AI工具和相關(guān)內(nèi)容的未來，人類制作的內(nèi)容或許會(huì)比今天更有價(jià)值，尤其是作為AI原始訓(xùn)練數(shù)據(jù)的來源。