本文經(jīng)授權(quán)轉(zhuǎn)載自秦朔朋友圈

作者｜朱兆一

10月30日，英偉達(dá)成為人類第一個市值跨過5萬億美元門檻的公司，人工智能的發(fā)展被繼續(xù)提速。

但在這場舉世矚目的繁榮背后，很少有人真正關(guān)注到一個更深層次的危機正在悄然醞釀：AI的野蠻生長已經(jīng)到了臨界點，合成數(shù)據(jù)正以驚人速度碾壓真實數(shù)據(jù)。

各類語言大模型對數(shù)據(jù)的胃口普遍到了令人恐怖的程度——ChatGPT的訓(xùn)練數(shù)據(jù)達(dá)到45TB，包含近萬億詞的文本，GPT-5的數(shù)據(jù)需求更加驚人。

然而互聯(lián)網(wǎng)并不是無限糧倉，研究預(yù)測顯示高質(zhì)量文本數(shù)據(jù)最早將在2026年至2032年間被耗盡。

面對“數(shù)據(jù)荒”，AI產(chǎn)業(yè)正在進行一場看似完美的自救——用AI生成的“合成數(shù)據(jù)”來填補黑洞。

但這場自救隱藏著一個深刻的悖論：當(dāng)AI越來越多地以AI生成的數(shù)據(jù)為食時，錯誤和偏見在封閉循環(huán)中被無限放大，模型性能逐代退化。

數(shù)據(jù)失真問題不會隨著AI的發(fā)展而自我解決，反而會越來越嚴(yán)重。最終的結(jié)果是，真假難辨、無法自拔的惡性循環(huán)正在形成，而這一切的代價，可能遠(yuǎn)比市場看到的那5萬億美元要深遠(yuǎn)得多。

合成數(shù)據(jù)：AI代餐預(yù)制菜

互聯(lián)網(wǎng)正在成為AI模型的“獵場枯竭區(qū)”。ChatGPT訓(xùn)練所用的45TB文本數(shù)據(jù)，對標(biāo)的是近萬億詞的語料庫，這個規(guī)模已經(jīng)是互聯(lián)網(wǎng)歷史上最大規(guī)模的數(shù)據(jù)采集。

真實數(shù)據(jù)的供給之所以捉襟見肘，不僅因為量少，還有質(zhì)劣和限制多重疊加�，F(xiàn)實數(shù)據(jù)天然充滿噪聲、錯誤和偏見，網(wǎng)絡(luò)文本魚龍混雜，有研究顯示ChatGPT等大模型已經(jīng)從訓(xùn)練語料中繼承了胡編亂造和傾向性之類的問題。

同時，全球隱私法規(guī)日趨嚴(yán)格，大量涉及個人隱私的真實數(shù)據(jù)無法直接用于AI訓(xùn)練。

歐盟《通用數(shù)據(jù)保護條例》GDPR、中國《數(shù)據(jù)安全法》等一系列規(guī)定讓用戶的聊天記錄、郵件內(nèi)容、醫(yī)療檔案等雖然對訓(xùn)練有價值，卻受法律保護不可濫用。

在這樣的夾縫中，“數(shù)據(jù)荒”成為橫亙在AI繼續(xù)進化道路上的巨大障礙。

在這種被逼無奈的背景下，合成數(shù)據(jù)應(yīng)運而生。它宣稱可以一舉化解傳統(tǒng)數(shù)據(jù)供給的多個難題。

理論上，只要算力充足，合成數(shù)據(jù)可以按需無限生產(chǎn)，不像真實數(shù)據(jù)受制于人類活動和采集周期。

人工標(biāo)注一張圖像約需6美元，而用生成算法合成僅需0.06美元，成本優(yōu)勢達(dá)到百倍。

合成數(shù)據(jù)的生產(chǎn)速度很快，利用云端集群幾天即可產(chǎn)出數(shù)十萬張圖像，傳統(tǒng)實地采集可能要數(shù)月甚至數(shù)年。

在隱私合規(guī)上，合成數(shù)據(jù)不直接引用具體個人信息，被視為一種隱私增強技術(shù)。使用合成患者病歷訓(xùn)練AI診斷模型，可以避免觸碰真實病人的隱私。用仿真交易數(shù)據(jù)訓(xùn)練金融風(fēng)控模型，不會違反用戶數(shù)據(jù)保護規(guī)定。

這些誘人的前景讓合成數(shù)據(jù)正快速從實驗室走向產(chǎn)業(yè)。咨詢公司Gartner曾預(yù)測，到2030年合成數(shù)據(jù)將成為AI主要訓(xùn)練源。

市場研究機構(gòu)預(yù)計全球合成數(shù)據(jù)市場規(guī)模將以每年50%以上的速度增長。科技巨頭紛紛投入開發(fā)合成數(shù)據(jù)工具鏈。微軟、亞馬遜、谷歌等在云服務(wù)中都提供自動化合成數(shù)據(jù)平臺。在自動駕駛、機器人等垂直領(lǐng)域，一批垂直領(lǐng)域的合成數(shù)據(jù)創(chuàng)業(yè)公司快速崛起，融資熱度不減。

數(shù)據(jù)循環(huán)中的自我毒害

當(dāng)AI開始大量以自食其力生成的數(shù)據(jù)為食時，一個致命的邏輯鏈條隨之啟動。這不是新穎的理論警告，而是已經(jīng)被學(xué)術(shù)界用嚴(yán)謹(jǐn)實驗驗證的現(xiàn)實風(fēng)險。

最近發(fā)表于《Nature》的研究給了這一現(xiàn)象一個明確的定義：模型崩潰是一個退化過程，模型生成的內(nèi)容會污染下一代訓(xùn)練數(shù)據(jù)，新模型在被污染數(shù)據(jù)上訓(xùn)練后愈發(fā)誤解現(xiàn)實。

這個過程類似于近親繁殖或閉門造車，AI模型只和自己的“后代”對話，不再接觸新鮮真實的信息，最終會遺忘原有的見識，變得愈發(fā)愚鈍和偏狹。

實驗數(shù)據(jù)足夠駭人。研究人員用維基百科文章訓(xùn)練了初代模型，讓其續(xù)寫中世紀(jì)建筑的文本。前幾代的輸出看起來尚可接受，但隨著合成數(shù)據(jù)迭代訓(xùn)練，模型的回答逐漸語無倫次。到第五代時，輸出內(nèi)容已經(jīng)完全與輸入無關(guān)，充斥無意義的字符。到第九代時，模型已經(jīng)徹底迷失自我，開始羅列兔子名字，離題萬里。

這不是孤立案例。劍橋大學(xué)和牛津大學(xué)的研究用125M參數(shù)的小模型驗證了相同的規(guī)律：只需用幾代模型生成的數(shù)據(jù)訓(xùn)練數(shù)輪，模型性能便急劇滑坡。更可怕的是，這種退化一旦開始，就會呈現(xiàn)指數(shù)級加速。

Meta的模擬實驗揭示了更險惡的規(guī)律：僅1%的合成數(shù)據(jù)摻入都可能令大模型性能出現(xiàn)顯著下降。而且這個規(guī)律有一個明確的傾向——模型規(guī)模越大，崩潰現(xiàn)象越嚴(yán)重。參數(shù)越多的模型，對合成數(shù)據(jù)的“毒性”越敏感。這意味著那些性能最強、最受關(guān)注的大模型，反而最容易在合成數(shù)據(jù)的侵蝕中走向崩潰。

這不僅僅是技術(shù)層面的問題，更是一場關(guān)乎整個產(chǎn)業(yè)生態(tài)的危機。如果最先進的模型率先陷入這個泥沼，后續(xù)的研發(fā)和應(yīng)用勢必受到致命打擊。

從幻覺到長尾消失

隨著合成數(shù)據(jù)的深度迭代使用，AI生成內(nèi)容的質(zhì)量開始出現(xiàn)多維度的惡化。

首先是“幻覺”加劇。模型輸出看似合理，實則荒誕，這種胡編亂造在每一輪迭代中都被強化而非糾正。

如果初代模型的輸出本身就含有錯誤，第二代模型學(xué)到的就是這種錯誤的模式，第三代則進一步強化了這種錯誤。錯誤像基因突變一樣在傳遞中累積放大。

其次是多樣性的衰減。模型往往高頻復(fù)用前代數(shù)據(jù)中常見的模式和詞句，輸出內(nèi)容日趨單一和刻板，語言的豐富性逐步被侵蝕。

在圖像領(lǐng)域，實驗發(fā)現(xiàn)多代合成訓(xùn)練后，生成的圖像細(xì)節(jié)盡失，風(fēng)格趨同。最初幾代還像模像樣，迭代數(shù)次后畫出來的物體已經(jīng)“面目全非”，失去真實世界的多樣性。

最嚴(yán)重的是長尾知識的消失。因為AI生成的數(shù)據(jù)大多基于主流模式，很少涵蓋極端或罕見情況，模型對長尾分布愈發(fā)陌生。用合成常見路況訓(xùn)練的無人車模型，可能完全沒有見過真實世界中特殊天氣或奇異交通行為的場景。

這對安全要求極高的應(yīng)用領(lǐng)域，如醫(yī)療診斷、自動駕駛、金融風(fēng)控，構(gòu)成了致命威脅。一個從未見過罕見疾病的診斷模型，可能在面對真實患者時徹底失效。

危機的工程學(xué)答案

不過，模型崩潰并非完全不可避免，而是可以用適當(dāng)?shù)墓こ谭桨讣右越鉀Q。Nature的實驗確實顯示了危險，但同時也揭示了臨界點：當(dāng)合成數(shù)據(jù)比例保持在30%～50%以下，并與高質(zhì)量真實數(shù)據(jù)混合時，模型性能的退化曲線趨于平緩。

這意味著“崩潰”不是合成數(shù)據(jù)本身的原罪，而是比例失控的后果。

已有的緩解方案正在被實踐驗證——

真實數(shù)據(jù)的“硬杠桿”設(shè)置：強制保持訓(xùn)練集的50%～70%來自真實世界，可以有效阻止熵坍塌；

更精細(xì)的詞元級編輯技術(shù)，即在真實句子上做細(xì)粒度改寫而非完全生成，同等數(shù)據(jù)量下能將困惑度降低8%～12%；

分布校正則通過重采樣和重要性加權(quán)保留低頻樣本，恢復(fù)長尾覆蓋率20%以上；

在醫(yī)療影像等高風(fēng)險領(lǐng)域，引入人機協(xié)同驗證機制，由專家對關(guān)鍵樣本進行審計反饋，誤報率從9%降至3%；

物理仿真加真實閉環(huán)的方案：用仿真生成邊緣場景，再用真實路測校準(zhǔn)，讓英偉達(dá)的自動駕駛路測事故率下降了18%。

這些都不是理論設(shè)想，而是已經(jīng)寫入TensorFlow、NVIDIA Omniverse和微軟Azure中的開源工具。問題的關(guān)鍵不在于AI公司們能不能做到，而在于有沒有意愿堅守。

危機解法需要新的激勵

工程學(xué)的工具箱已經(jīng)備好，但為什么企業(yè)仍在鋌而走險？答案很簡單：成本。把真實數(shù)據(jù)比例寫進代碼是容易的，困難的是在商業(yè)競爭中堅守這條底線。

監(jiān)管框架本應(yīng)阻止這種滑落，但現(xiàn)實的監(jiān)管空窗讓企業(yè)有了充足的騰挪空間。GDPR和《數(shù)據(jù)安全法》確實要求“可審計”，但在AI訓(xùn)練的源頭，這一要求形同虛設(shè)。

要打破這個悖論，需要改變激勵結(jié)構(gòu)本身。監(jiān)管部門必須讓“保留真實”成為最便宜、最安全的選項，而非最昂貴的道德選擇。

首先是建立真正有約束力的準(zhǔn)入門檻。醫(yī)療、金融、自動駕駛等關(guān)鍵領(lǐng)域的訓(xùn)練集必須包含50%以上的真實數(shù)據(jù)，低于這個紅線就無法獲批上線；

其次是建立可追溯的質(zhì)檢機制。企業(yè)需要公開數(shù)據(jù)來源和檢驗報告，虛假標(biāo)注將被視為“不合格產(chǎn)品”進行處罰；

第三是改變違規(guī)成本的天平。高額罰款加行業(yè)黑名單，讓“偷工減料”比“老實采購”更貴。

同時，政府應(yīng)該主動降低企業(yè)獲取真實數(shù)據(jù)的成本，這是改變市場選擇的另一把鑰匙。

結(jié)語

在電影《黑客帝國》中，按照建筑師的說法，母體Matrix系統(tǒng)曾經(jīng)連續(xù)6次崩潰，而原因并不是因為它使用了虛擬數(shù)據(jù)——整個系統(tǒng)本身就是虛擬的。

真正的致命之處在于系統(tǒng)徹底斷開了與真實世界的聯(lián)系，走進了一個完全的自我循環(huán)。

但電影也留下了一條逃生之路：只要系統(tǒng)保留一條與真實世界對話的“后門”，崩潰就可以被識別、被重啟、被修復(fù)。

今天，我們面對的AI危機其實也有同樣的“逃生鑰匙”。問題不在于能不能使用合成數(shù)據(jù)，而在于有沒有意愿保留“真實的插頭”。

當(dāng)真實數(shù)據(jù)的比例被強制鎖定在30%以上、當(dāng)每條合成樣本都標(biāo)上溯源標(biāo)簽、當(dāng)困惑度指標(biāo)連續(xù)下降時系統(tǒng)自動告警，模型崩潰就從“宿命”變成了“可控的邊界”。

這些都不是黑科技，而是工程學(xué)已經(jīng)提供的、成熟的解決方案。

英偉達(dá)、微軟、谷歌已經(jīng)在云服務(wù)中提供了質(zhì)檢和溯源的功能，但沒有強制性的要求，企業(yè)就會選擇忽視。歐盟的《AI法案》、中國的《數(shù)據(jù)安全法》提出了可審計的要求，但如果只在部署階段補救而不在訓(xùn)練源頭把關(guān)，監(jiān)管就形同虛設(shè)。

所以，沉重的現(xiàn)實擺在面前！要么現(xiàn)在就設(shè)定清晰的工程紅線，讓合成數(shù)據(jù)永遠(yuǎn)被真實世界的“抗體”錨定；要么繼續(xù)在短期效益的誘惑中滑行，直到有一天發(fā)現(xiàn)AI系統(tǒng)已經(jīng)徹底迷失在自己的幻覺里，如同Matrix那樣無法逆轉(zhuǎn)。

No.6617 原創(chuàng)首發(fā)文章｜作者 朱兆一

開白名單 duanyu_H｜投稿 tougao99999

版權(quán)聲明：【文藝所使用文章、圖片及音樂屬于相關(guān)權(quán)利人所有，因客觀原因，如存在不當(dāng)使用情況，敬請相關(guān)權(quán)利人隨時與我們聯(lián)系及時處理�！�