高质量数据荒下，“弱智吧”为AI开悟？

自ChatGPT发布以来，弱智吧用户就热衷于利用不寻常的高质问题挑战每一个AI产品的能力边界。

其中一种测试方法是量数找到类似“为什么孙悟空是中国猴子却叫美猴王，不应该叫中猴王吗”、据荒“生鱼片就是开悟死鱼片”这种类似冷笑话的句子，看人工智能能否如人类一样破解其真正含义。弱智吧

这类荒谬却似乎又有一丝合理性的高质发言，往往来自于百度贴吧“弱智吧”。量数

近日，据荒弱智吧数据在AI领域又多做了一份贡献。开悟

由中科院深圳先进技术研究院、弱智吧中科院自动化研究所，高质滑铁卢大学等高校、量数研究机构联合发布了一份高质量中文指令微调数据集。据荒值得注意的开悟是，在研究过程中，学者们发现，来自“弱智吧”的数据在其中有亮眼表现。

弱智吧表现优异

该团队发布的论文《COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning》详细介绍了其研究过程和成果。

这项研究的目的在于解决当下中文大模型训练面临的几大难题：中文数据集很多是直接翻译自英文翻译，没有很好地契合中文的语言习惯和文化背景、不少数据集是用AI生成的，可能出现事实性错误、目前大部分人工标注的数据集，很多时候数据量小、覆盖领域不全面。

基于此，团队从中文互联网的各处搜集数据，经过一系列清洗和人工审核后，打造出了高质量、多样化的中文指令微调数据集COIG-CQIA。

具体而言，研究的数据来源包括知乎、思否、豆瓣、小红书、弱智吧、百科全书、四个特定领域知识（医学、经济、农学、电子）、考试材料（中考、高考、考研等）、COIG-PC 等语料库。而用以训练的模型是零一万物Yi系列开源大模型。

结果，在各个方面表现优秀的版本竟然是弱智吧版。

弱智吧这一数据集由500个点赞最高的帖子标题+人工或GPT-4的回复组成， 经过人工审核后，最终留下了240组指令-回复数据对。

在规模较小的Yi-6B模型上，纯弱智吧版本总分排名第二。

在Yi-34B模型上，弱智吧版本总分第一。

综合各项结果，弱智吧在所有子集中平均排名第二。

弱智吧为何能够有这么优秀的发挥？

研究者认为，可能是弱智吧问题增强了AI的逻辑推理能力，有利于完成指令遵循任务（ instruct-following tasks）。“这种语料有点脑筋急转弯的感觉，所以其使用提升了模型的推理能力。”一位技术人员这样告诉21记者。

企业“各显神通”

弱智吧成为优秀训练素材引发关注的背后，是人工智能发展一直绕不开的训练数据隐忧。

数据是生成式人工智能的“粮食和血液”，其重要性不言而喻。以OpenAI的GPT模型为例，GPT-1预训练数据量仅有5GB，GPT-2则增加至40GB，GPT-3更是达到了惊人的45TB。

“大模型时代，得数据者得天下。”对外经济贸易大学数字经济与法律创新研究中心执行主任张欣在此前接受21世纪经济报道记者采访时表示，当前技术领域的研究显示，各家大模型在算法层区别并不大，并且具有同质化的趋势。在此背景下，训练数据就成了真正区分且影响大模型性能的重要因素之一。

数据需求水涨船高，高质量数据供给却面临稀缺之困。去年，一项来自Epoch Al Research团队的研究就表明，高质量的语言数据存量将在2026年耗尽。

面对这一困境，大模型厂商“各显神通”发掘可用资源。

据媒体报道，谷歌正在考虑利用谷歌文档、表格和幻灯片中提供的消费者数据来支撑其旗下AI产品的训练。公开消息显示，OpenAI旗下模型的训练数据则有相当一部分来自维基百科、书籍、期刊等公共互联网内容。

社交媒体上活跃而多元的数据也被认为是大模型训练的好材料。

2023年12月，有知情人士向媒体表示，苹果拿出5000万美元尝试Condé Nast（《Vogue》和《纽约客》的出版商）、NBC和IAC等新闻机构交涉以获得新闻文章的授权，用以其生成式AI产品开发。

OpenAI在1月与数十家出版商洽谈签署文章授权协议，以获取数据训练其AI模型。同样在今年，刚刚上市的社交媒体Reddit也被传成交了一笔年价值约6000万美元的大生意——允许一家大型人工智能公司访问平台内容用以训练模型。

中文数据荒何解？

数据从何而来，事实上是个国际难题。

在人工智能领域，我国可以称得上是活跃的先行者。科技部新一代人工智能发展研究中心去年发布的《中国人工智能大模型地图研究报告》显示，从全球已发布的大模型数量来看，中国和美国大幅领先，占全球总数的80%以上。

然而，一面是潮水涌起，玩家纷纷入场，另一面是行业狂飙，“燃料”却面临枯竭。

中文大模型面临的情况可能更加严峻。以ChatGPT为例，公开数据显示，在GPT-3训练数据集的语言占比中，中文语料在总语料中占比不足0.1％，且其中包含繁体中文。

中国工程院院士高文曾在演讲中提到，全球通用的50亿大模型数据集中，中文语料仅占1.3%。一些主流数据集如Common Crawl、BooksCorpus、WiKipedia、ROOT等都以英文为主，最流行的Common Crawl中的中文语料也只占4.8%。

可以说，目前世界上主流的大模型都是靠英文语料库来训练和生成大模型。

要研发可靠实用的中文大模型，就必须有严谨可信的中文数据库。这对中国的人工智能的进一步发展无疑是个挑战。

知乎创始人、CEO周源在今年两会时就表示，我国大模型发展当前面临的最显著的问题之一是高质量中文语料资源的短缺。

因此，加快高质量中文数据集的挖掘开发、补齐优质中文语料数据短板必不可少。

《生成式人工智能服务管理暂行办法》就提到，要推动生成式人工智能基础设施和公共训练数据资源平台建设；推动公共数据分类分级有序开放，扩展高质量的公共训练数据资源。

我国多地也都曾发布相关政策以求推动建立高质量数据集。去年起，北京、深圳等地先后发布相关文件，指出要提升高质量数据要素供给能力、归集高质量基础训练数据集、建立多模态公共数据集，打造高质量中文语料数据等。《北京市促进通用人工智能创新发展的若干措施（2023-2025年）（征求意见稿）》《深圳市加快推动人工智能高质量发展高水平应用行动方案（2023—2024年）》等就提到过目前大模型训练高质量中文语料占比过少，要打造高质量中文语料数据库。