創新談丨大模型既要“吃得飽”更要“吃得好”

前段時間，網絡上流傳著一些由大模型生成的“異次元篇章”。比如，有人讓大模型續寫《紅樓夢》情節時，竟得出一幕“賈寶玉倒拔垂楊柳”的奇景，令人啼笑皆非。之所以會出現這種“混搭”和“幻覺”，是因為大模型不僅學習了原著，還“廣納博采”了不少錯誤信息。

這些人工智能（AI）生成的“胡言亂語”雖是網友們茶余飯后的笑談，但提醒我們要清醒認識到其背后折射出的問題：數據質量是大模型應用成敗的關鍵。以個性化推薦AI系統為例，一些企業在開發過程中，雖然收集了大量的用戶行為數據，但數據中充斥著錯誤的標注、重復的數據以及相互矛盾的信息，數據的量增加了，但系統推薦的準確性并沒有顯著提升。《自然》雜志（Nature）刊登的一篇有關大模型可靠性研究的文章指出，一個西班牙研究團隊發現，包括OpenAI公司的GPT在內的幾個大模型升級后，雖然參數量更大了，誤答情況卻更嚴重了。因此，大模型長得壯不壯，不僅取決于“食量”（即數據的數量），更在于食物的“質量”（即數據的質量）——吃得飽并不等同于吃得好。

數據是大模型的基石，在數據質量不高、可靠性缺失的情況下，一味追求大模型參數量的增加，不僅無法提升模型性能，反而會放大偏差和謬誤，產生更多不可信數據。如此一來，勢必造成計算與存儲資源的浪費，增加開發和維護成本，降低用戶信任度。更為嚴重的是，這種“大模型幻覺”和“災難性遺忘”現象如果發生在精確性要求極高的工業生產領域中，還可能引發不可預測的風險和隱患。以油氣勘探為例，基于大模型給出的錯誤預測進行開采可能導致數億元的資金損失，并對自然環境造成不可逆轉的破壞。

提升大模型性能，關鍵是處理好數據“質”和“量”的關系，構建大規模、高質量的數據集。應建立完善的數據收集、清洗、驗證和存儲機制，加強對數據質量的監控和評估，確保數據的準確性、完整性和一致性。此外，還應注重跨領域合作，引入數據科學家、AI算法工程師等多方力量，開展大模型算法合作、制定數據共享和隱私安全保密協議，推動大模型產學研用生態建設。

如今，大模型的發展已邁入多模態融合階段。通過加強數據治理，優化人工智能學習、訓練和驗證的“基礎食材”，端上大規模、高質量、多模態數據集的“豐盛大餐”，必將助力大模型能力的提升，讓人工智能更好地賦能千行百業、造福人類社會。

（作者系中國工程院院士、中國石油勘探開發研究院教授級高級工程師）