高质量训练数据将耗尽？乌镇峰会“首发”数据合成与生产平台_风闻

11月 19 日下午，行业大模型、具身智能、算力、芯片、数据合成等10 项首发成果在乌镇峰会登台路演， 其中 AI 数据合成与生产平台AIGD（AI Generated Data）因聚焦“数据合成”获广泛关注。“未来的AI应用需要大量稀缺且难以获取的长尾数据，如自动驾驶中的极端天气与极端路况数据，具身智能训练所需要的复杂场景数据。在此背景下，数据合成成为关键。”蚂蚁数科AI科技技术负责人、蚂蚁天玑实验室主任李哲现场说道。

AI 发展正面临着高质量数据短缺的问题。近年来，伴随着大模型技术的快速发展，机器学习也正从“以模型为中心”转向“以数据为中心”，高质量数据可以更好地模拟客观世界，提升模型的准确性和稳定性，但是“到 2026 年，现存的用于 AI 模型训练的高质量语言数据将耗尽”，据Epoch AI Research研究团队预测。Gartner 表示，到 2030 年，合成数据将成为 AI 模型的主要训练数据来源；2024 年， 60% 的 AI 数据将是合成数据，被用于模拟、预测场景和降低风险。

记者在2024年世界互联网大会乌镇峰会了解到，AIGD平台是由蚂蚁数科申报的首发成果，平台可通过大规模合成互联网所不覆盖的高质量、高价值垂直语料数据，帮助科技厂商进行 AI 模型训练。记者了解到，AIGD具备 PB 级数据生产能力，支持数据从生成到训练全流程自动化处理，自动化率达到 80%，这极大提高了数据处理的效率和质量。此外，平台自研15 余种数据合成工具，目前可以合成图片、视频、3D模型、多模态图文视频对、多轮对话、语音信号、心率脑电信号、结构化交易数据等多模态数据，以满足多种应用场景下的 AI 模型训练需求。

业内人士普遍认为，“高质量数据”是 AI 大模型深入到产业的重要基础，没有好的数据做支撑，一切 AI 应用都是空中楼阁。近日，OpenAI员工爆料说，“新模型‘没有那么大飞跃’”，主要原因之一便是高质量数据不足所导致的。今年 9 月份， OpenAI 发布推理模型o1，带来了强化学习训练新范式，通过自博弈强化学习，将合成数据的形式训练给大模型，从而大幅增加大模型逻辑推理能力。

“数据合成”是蚂蚁数科 AIGD 平台的主要功能之一，此外还包括数据标注、质检等能力。在数据标注方面，通过人机协同进行标注，人工智能算法能够自动识别和预处理大部分基础信息，预标注模型依赖人工标注量降低了 70%以上。在数据质检方面，平台会根据元信息支持不同粒度的数据质量统计，最大程度理解数据，保证合成及标注后的数据符合预期质量要求。

记者注意到，蚂蚁数科今年陆续迭代发布了多款 AI 产品，包括大模型安全评测与防御产品“蚁天鉴”、反深伪造产品 ZOLOZ Deeper 等。作为一家面向 ToB 服务的科技公司，蚂蚁数科旗下主要包含“企业用云服务”“企业区块链服务”“企业AI服务”三大核心业务，李哲在乌镇峰会上表示，“我们即将迎来 AI 服务产业的黄金年代，蚂蚁数科将会坚定在 AI ToB 领域投入，让 AI 深入千行百业。”