前段時間，網(wǎng)絡(luò)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(xù)寫《紅樓夢》情節(jié)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(xiàn)這種“混搭”和“幻覺”，是因為大模型不僅學(xué)習(xí)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(wǎng)友們茶余飯后的笑談，但提醒我們要清醒認(rèn)識到其背后折射出的問題：數(shù)據(jù)質(zhì)量是大模型應(yīng)用成敗的關(guān)鍵。以個性化推薦AI系統(tǒng)為例，一些企業(yè)在開發(fā)過程中，雖然收集了大量的用戶行為數(shù)據(jù)，但數(shù)據(jù)中充斥著錯誤的標(biāo)注、重復(fù)的數(shù)據(jù)以及相互矛盾的信息，數(shù)據(jù)的量增加了，但系統(tǒng)推薦的準(zhǔn)確性并沒有顯著提升。《自然》雜志（Nature）刊登的一篇有關(guān)大模型可靠性研究的文章指出，一個西班牙研究團隊發(fā)現(xiàn)，包括OpenAI公司的GPT在內(nèi)的幾個大模型升級后，雖然參數(shù)量更大了，誤答情況卻更嚴(yán)重了。因此，大模型長得壯不壯，不僅取決于“食量”（即數(shù)據(jù)的數(shù)量），更在于食物的“質(zhì)量”（即數(shù)據(jù)的質(zhì)量）——吃得飽并不等同于吃得好。

數(shù)據(jù)是大模型的基石，在數(shù)據(jù)質(zhì)量不高、可靠性缺失的情況下，一味追求大模型參數(shù)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(chǎn)生更多不可信數(shù)據(jù)。如此一來，勢必造成計算與存儲資源的浪費，增加開發(fā)和維護成本，降低用戶信任度。更為嚴(yán)重的是，這種“大模型幻覺”和“災(zāi)難性遺忘”現(xiàn)象如果發(fā)生在精確性要求極高的工業(yè)生產(chǎn)領(lǐng)域中，還可能引發(fā)不可預(yù)測的風(fēng)險和隱患。以油氣勘探為例，基于大模型給出的錯誤預(yù)測進行開采可能導(dǎo)致數(shù)億元的資金損失，并對自然環(huán)境造成不可逆轉(zhuǎn)的破壞。

提升大模型性能，關(guān)鍵是處理好數(shù)據(jù)“質(zhì)”和“量”的關(guān)系，構(gòu)建大規(guī)模、高質(zhì)量的數(shù)據(jù)集。應(yīng)建立完善的數(shù)據(jù)收集、清洗、驗證和存儲機制，加強對數(shù)據(jù)質(zhì)量的監(jiān)控和評估，確保數(shù)據(jù)的準(zhǔn)確性、完整性和一致性。此外，還應(yīng)注重跨領(lǐng)域合作，引入數(shù)據(jù)科學(xué)家、AI算法工程師等多方力量，開展大模型算法合作、制定數(shù)據(jù)共享和隱私安全保密協(xié)議，推動大模型產(chǎn)學(xué)研用生態(tài)建設(shè)。

如今，大模型的發(fā)展已邁入多模態(tài)融合階段。通過加強數(shù)據(jù)治理，優(yōu)化人工智能學(xué)習(xí)、訓(xùn)練和驗證的“基礎(chǔ)食材”，端上大規(guī)模、高質(zhì)量、多模態(tài)數(shù)據(jù)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(yè)、造福人類社會。

（作者系中國工程院院士、中國石油勘探開發(fā)研究院教授級高級工程師）