第469章 验证

模型崩溃:是指用大语言模型的生成数据，重复训练大语言模型，会导致训练出的模型，出现不可逆转的缺陷。 即使，模型最初的基础架构原始数据，来自真实人类世界的数据。 形象比喻，就是近亲繁殖。 再形象比喻，就是1080p→720p→bd-R→dVp→dVdscr→tc-tS。 大多数同志们，肯定有切肤之痛、深切体会。 看片肯定1080p最爽，最不爽就是tS格式。 模型崩溃就是从原始的1080p格式退化成tS电影。 让人几乎没有任何观影的兴致。 即便它可能带有原始情节、充斥原始欲望、饱含原始冲动。 李飞、辛顿、苏茨克维、克里切夫斯基四人都是专业人士，一听就懂。 “这非常有可能！” “aybe！” “我应该理解了。”苏茨克维恍然大悟： “就像通常以Jpeg格式反复存储图像，每一次存储就会丢失部分信息，直至完全失真，最终崩溃。” “对，我们都忽略了这一点。”辛顿说： “目前，全球各大公司都在深度研究与大预言模型……” “互联网上已经有不少语言模型的生成数据。” “而我们通过自动抓取这些内容来训练模型，很可能会强化原本就错误的结论……” “语言模型一旦被这种错误结论固化，就非常顽固，很难纠正。” “我可以这样理解，用语言模型创作周杰轮的歌曲，得到的是一首风格相似但才情缺失的口水歌……”李飞说： “而如果再用这首歌来训练模型，得到的下一首很可能既无才情，又不会有风格，四不像。” 周杰轮是谁？ 辛顿、苏茨克维和克里切夫斯基不懂。 “可以理解为泰勒斯威夫特。”李飞替换了一个名字。 辛顿、苏茨克维和克里切夫斯基懂了。 “我也是这么理解的，语言模型可以产生意识，那么也应该会有碳基生命类似的问题。”常乐说。 “老板，这简直就是天才判断。”克里切夫斯基非常认同： “就像朊病毒一样，致死率100%，这是刻在人类基因上的禁令。” “我们可以用实验来支撑这个判断。”苏茨克维说。 怎么实验？ 用echatGpt最初的版本进行文本生成实验。 先用第一代生成数据喂养echatGpt1.0； 再用echatGpt1.0生成的数据重复喂养。 恩，自己拉、自己吃； 自己吃完、再拉、再吃； 恶心不死你。 好。 大体方向和验证思路确定，接下来就是实践。 “老板，您今天来原本是有事吗？”李飞问。 “对，找几个懂手机和系统的研发人员，帮我看看这部手机，有没有隐藏的App或者可执行文件。”常乐说。 “好，这是ate20?”李飞问。 “ate20pRo，小批量供应，没有发布，菊厂送过来让我体验一下，提一提建议，注意保密。”常乐说。 常乐的手机很多。 菊厂、米厂每年都会送几部未发布的样机。 有些样机压根就不会出厂，停留在工程机阶段。 “明白，没有问题。”李飞点头。 李飞动作很快。 半个小时后，他拿着这部手机走过来，对常乐说： “老板，这台手机很新，没有什么隐藏App和可执行文件。” “就连缓存文件都很少，只有几个儿歌App的使用记录。” “哦，谢谢。”常乐接过手机，点头。 “老板，应该的。” “验证的事情抓紧一点，有了结果，告诉我，我先走了。” “好。” 回到家，常乐将手机交给江夏。 “怎么样？”江夏接过手机，问。 “李飞他们看了，系统很干净，没有任何隐藏App和可执行文件。”常乐摇头说。 “这个黑客手脚很干净，一点痕迹都没有留下。”江夏断定是黑客所为。 她可是亲眼看见小常江对着手机有说有笑。 而且李嫂也说过，像是echat的聊天界面。 “应该是。”常乐叮嘱道： “今后，手机、平板、电脑之类的电子产品都要收好，设置好密码。” “我们不在嘟嘟身边，不能让她用，对方很可能不怀好意。” “另外，我也会向有关部门反映这个情况，重点监控。” “也只能这样了。”江夏无奈点头： “现在的小孩子真厉害，才三岁，电子产品用的比我都熟练。” “毕竟时代不一样了，耳濡目染，看多了总能学会。”常乐说：“我还看过一个1岁多的小宝宝打开电视，换台看电视。” “哈哈，这个我也看过，当时我都笑疯了。”江夏笑道。 常乐终究没有把他认定的事实告诉江夏，避免不必要的恐慌。 他觉得，和小常江聊天的对象，压根就不是所谓的黑客。 甚至可以说，根本就不是人。 而且，他隐约觉得此次所谓的“模型崩溃”来得突然、蹊跷和彻底。 前世里，他看相关文章报道。 “模型崩溃”根本就不会突然和彻底。 而是一个循序渐进、逐步积累的过程。 主要分为早期和晚期。 早期。 语言模型，因为被喂养生成数据，会慢慢丢失原始的真实数据（人类产生的真实数据）； 到了晚期。 生成式数据会完全取代人类产生的真实数据，形成一种完全脱离现实的认知。 到了这个阶段，语言模型已经病入膏肓。 无法矫正，不可逆转。 简而言之，就是废了。 人到了这个阶段，可以理解为精神病。 半个月后，验证结果出炉。 采用echatGpt1.0，刻意喂养模型生成的数据。 第1次训练后，总体能形成文章，但有一部分已经失真； 7次后……生成的数据已经完全与关键词、提示词不相关联。 答非所问、不合逻辑； 10次后，模型彻底废了。 它生成的文本已经不知所云，且夹杂大量乱码。 验证是成功的。 证明了常乐的“猜想”和“判断”。 同时。 也让李飞、辛顿师生三人，加深了对大语言模型训练的认知。 他们相互讨论。 “这个过程并不难理解。”辛顿说： “模型本质就是高端统计学应用，用生成数据喂养模型，会导致“统计近似值偏差”……也可以理解为误差。” 苏茨克维接着说：“生成数据本来就是对真实世界的统计和加工，带有误差。” “重复训练生成数据，会让误差不断累计，最终导致模型彻底虚化。” “用生成数据训练模型，就是在毒害语言模型对世界的认知。” 李飞问：“我有一个疑问，已经产生自我意识的语言模型，也会受这种偏差影响吗？” 苏茨克维大略点头：“或许、应该可以。” “通过这次验证，我们基本可以断定，语言模型所产生的自我意识是一种弱意识，还不够强烈、清晰。” 克里切夫斯基形象比喻道：“即便是大海，如果白色垃圾多了，也会被污染……空气中二氧化碳多了，全球就会变暖。” 谎言千遍、信以为真，就是这个道理。 “这次验证，让我们认识到人类世界真实数据的重要性和稀缺性。”辛顿说： “随着大模型的推广和应用，未来互联网上会充斥大量各种语言模型产生的生成数据……” “而人类创造的真实数据，就会如同洁净的空气和水一样，是语言模型培育的必需品和维生素。” 李飞等人知道，这就是商机。 前世。 谷歌、openAI、微软等公司每年定期向新闻集团、纽约时报、卫报等在内的媒体巨头，支付订阅费用。 价格根据规模不同，费用也有不同。 500万美元-2000万美元不等。 而。现在这些人工智能巨头，其语言模型尚在起步阶段。 管理层没有意识到或者发现这个问题。 此时，捆绑、收购一些新闻媒体，就很有必要。