“Training data is technology” .
数据即科技，OpenAI的联合创始人IlyaSutskever在与知名科技媒体The Verge访谈中提到。ChatGPT自发布以来热度席卷全球，一周前惊艳亮相的GPT-4更是让人感叹我们迎来了AI发展的历史性时刻。
然而我们也困惑，OpenAI为何不开源GPT-4？在我们看来，更多的奥秘或许存在于数据之中......
本文是Magic Data创始人兼CEO张晴晴博士关于数据、大模型与生成式AI的观点分享。
对话式是人机交互的关键
OpenAI成立于2015年，而Magic Data则于2016年成立。成立7年以来，Magic Data专注于对话式数据的研究。多年来，Magic Data一直被问及为什么要研究数据，而不去涉足一些更广为人知的AI领域，例如智能客服系统、无人驾驶等等。
就像在ChatGPT发布前，OpenAI一直默默深耕，直到一夜之间成为全球最热门的公司之一。Magic Data深信时间复利是实现跨越式发展的秘诀。
如今，ChatGPT让更多人认识并理解到对话式的重要性。张晴晴博士对对话式AI的理解源于18年的从业经验。在中科院工作期间，她曾帮助多家大型企业建立对话式基础系统。在这个过程中，她发现如何选择、处理数据，以及通过数据和模型的闭环耦合来认知数据，是决定人工智能能够实现多好的关键。数据对于算力算法都有直接的影响，而不仅是数据本身的价值呈现。
Magic Data坚信对话式是未来人机交互的关键。这也是为什么我们一直专注于这个领域，直到今天。
AIGC大模型的数据需求金字塔
据公开信息，ChatGPT是通过预训练加微调的方式构建的，同时引入了人类反馈强化学习机制。整个训练过程中是人机不断耦合的一个过程。在这个过程中，通过人工反馈的方式不断地调优模型，以对话式问答为核心。
构建ChatGPT这样一个大模型需要三类数据。
第一类是用于预训练的海量非结构化数据，不需要人工介入，但精准度和质量并不高。这也是因为这部分数据存在太多低质量的数据，加上大模型拥有超大参数，耗费非常多的算力，存在一定的隐患。
第二类是人机协同生产的数据，包括人工生成的问答对数据、人工对机器生成的数据进行质量排序以及机器生成的排序数据。
图片来源：OpenAI
第三类是知识库数据集，需要的数据量不一定很大，但需要非常精确和精准，垂域的专家知识数据将是改善ChatGPT质量的关键。
对于构建一个对话模型，张晴晴博士认为好数据需要满足三点。第一点是尽可能自然，接近人和人自然的交谈方式，而不是冷冰冰的机械式回答。第二点是领域相关性或者垂域知识的正确性，需要专家系统的介入。最重要的是数据的安全和合规性，这也是数据对于构建安全可信的ChatGPT的关键所在。
数据资源枯竭？——生成式AI数据趋势
如何满足大模型对海量训练数据的需求？根据市场研究机构的调查统计，存在于互联网上的真实数据会在2026年被消耗殆尽。在未来的AI训练数据使用中，真实数据和生成式数据都会被考虑投入使用。根据Gartner的预测显示，生成式数据的使用占比将会超过真实数据。
图片来源：Gartner
生成式数据是通过建立数学模型或仿真环境，采用去中心化的形态来采集取得的数据。这些数据集的生成可以在需要的情况下进行调整和控制，而且可以覆盖更多的应用场景，帮助人们和机器更好地理解数据的特性和行为。生成式数据的优点在于可以更加准确地控制生成条件，符合数据合规性的要求。
使用生成式AI数据，在满足AI训练数据需求量和多样性的同时，合规性也能在最大程度上获得保证。在未来，类ChatGPT大模型更有机会去使用这样一些生成式AI数据进行训练。
Magic Data的数据优势与能力——多轮对话数据积累已达超1亿轮次
Magic Data作为一家AI数据解决方案公司，在过去的7年间专注于构建多轮对话数据，目前已经积累了超过1亿轮次（20万小时）的高精度数据。所有数据都经过了人工检验标注，保证了数据的高质量。这些数据是通过众包的方式取得，邀请C端用户贡献数据，并回馈一定的收益。
这些数据按行业进行拆分，涵盖了日常生活中的衣食住行等方面，同时也包括了一些垂域的知识。这为数据的应用提供了更多的场景和可能性。
Magic Data多轮对话数据领域分类，访问www.magicdatatech.cn查看更多
通过多轮对话数据，我们就可以让机器可以学习到人与人之间对话时的逻辑、上下文关联关系等知识点，为训练ChatGPT等模型提供了更加丰富的数据资源。
术业有专攻，AI发展是应用、算力与数据科学的多方合力
做AI模型的人不一定是数据专家，但是数据科学对于AI发展至关重要。数据科学和算法框架是分开的两件事情，但是二者又密不可分。数据科学依赖于对框架运转的理解，而算法框架的优化则需要数据科学的支持。因此，综合各方面因素才能形成一个好的AI结果。
应用、投产、工程化能力是AI落地的关键，需要与行业紧密耦合。AI算法从业者未来可能进入AI工程师领域，这将是一件非常有成就感的事情。同时，AI的落地问题也是不容忽视的。为此，我们需要与所有的生态伙伴一起构建一个机器学习的运维闭环，通过数据的处理和模型的迭代来实现闭环。这个闭环非常长，也非常庞大，每个环节都需要专业知识。我们希望与所有的生态伙伴共同合作，实现AI在各行各业的广泛应用。
数据好，算力少
如今，像ChatGPT这样的大型模型在使用和调度中消耗大量算力，一次训练可能耗费数百万的能源，使用调度同样昂贵。考虑到人类能源有限，我们需要关注如何以更加环保的方式发展AI。如何平衡AI发展与资源消耗的问题？其中，数据是一个解决方案。我们需要让AI模型更加精干，而非臃肿。为此，喂养模型的数据应当是高质量的，而非囫囵吞枣。只有如此，才能更加节约算力，实现AI发展的可持续性。
相关链接：
关于MagicData
Magic Data （北京爱数智慧科技有限公司）是一家全球领先多模态AI数据解决方案提供商，为人工智能领域研发企业和科研机构提供AI训练数据集和专业咨询服务，产品涵盖智慧出行、智慧金融、智能社交、智能家居、智能终端等五大行业，迄今服务了微软、高通、英伟达、阿里巴巴、百度、腾讯等国内外近200家合作伙伴。
我有一个模型:classItem项目有一个属性“商店”基于存储的值，我希望Item对象对特定方法具有不同的行为。Rails中是否有针对此的通用设计模式？如果方法中没有大的if-else语句，这是如何干净利落地完成的？ 最佳答案 通常通过Single-TableInheritance. 关于ruby-on-rails-Rails-子类化模型的设计模式是什么？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.co
我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i
我需要从一个View访问多个模型。以前，我的links_controller仅用于提供以不同方式排序的链接资源。现在我想包括一个部分(我假设)显示按分数排序的顶级用户(@users=User.all.sort_by(&:score))我知道我可以将此代码插入每个链接操作并从View访问它，但这似乎不是“ruby方式”，我将需要在不久的将来访问更多模型。这可能会变得很脏，是否有针对这种情况的任何技术？注意事项:我认为我的应用程序正朝着单一格式和动态页面内容的方向发展，本质上是一个典型的网络应用程序。我知道before_filter但考虑到我希望应用程序进入的方向，这似乎很麻烦。最终从任何
我有一个包含模块的模型。我想在模块中覆盖模型的访问器方法。例如:classBlah这显然行不通。有什么想法可以实现吗？ 最佳答案 您的代码看起来是正确的。我们正在毫无困难地使用这个确切的模式。如果我没记错的话，Rails使用#method_missing作为属性setter，因此您的模块将优先，阻止ActiveRecord的setter。如果您正在使用ActiveSupport::Concern(参见thisblogpost)，那么您的实例方法需要进入一个特殊的模块:classBlah
我有一个表单，其中有很多字段取自数组(而不是模型或对象)。我如何验证这些字段的存在？solve_problem_pathdo|f|%>... 最佳答案 创建一个简单的类来包装请求参数并使用ActiveModel::Validations。#definedsomewhere,atthesimplest:require'ostruct'classSolvetrue#youcouldevencheckthesolutionwithavalidatorvalidatedoerrors.add(:base,"WRONG!!!")unlesss
我想向我的Controller传递一个参数，它是一个简单的复选框，但我不知道如何在模型的form_for中引入它，这是我的观点:{:id=>'go_finance'}do|f|%>Transferirde:para:Entrada:"input",:placeholder=>"Quantofoiganho?"%>Saída:"output",:placeholder=>"Quantofoigasto?"%>Nota:我想做一个额外的复选框，但我该怎么做，模型中没有一个对象，而是一个要检查的对象，以便在Controller中创建一个ifelse，如果没有检查，请帮助我，非常感谢,谢谢
我有一些非常大的模型，我必须将它们迁移到最新版本的Rails。这些模型有相当多的验证(User有大约50个验证)。是否可以将所有这些验证移动到另一个文件中？说app/models/validations/user_validations.rb。如果可以，有人可以提供示例吗？ 最佳答案 您可以为此使用关注点:#app/models/validations/user_validations.rbrequire'active_support/concern'moduleUserValidationsextendActiveSupport:
对于Rails模型，是否可以/建议让一个类的成员不持久保存到数据库中？我想将用户最后选择的类型存储在session变量中。由于我无法从我的模型中设置session变量，我想将值存储在一个“虚拟”类成员中，该成员只是将值传递回Controller。你能有这样的类(class)成员吗？ 最佳答案 将非持久属性添加到Rails模型就像任何其他Ruby类一样:classUser扩展解释:在Ruby中，所有实例变量都是私有(private)的，不需要在赋值前定义。attr_accessor创建一个setter和getter方法:classUs
我有一个正在构建的应用程序，我需要一个模型来创建另一个模型的实例。我希望每辆车都有4个轮胎。汽车模型classCar轮胎模型classTire但是，在make_tires内部有一个错误，如果我为Tire尝试它，则没有用于创建或新建的activerecord方法。当我检查轮胎时，它没有这些方法。我该如何补救？错误是这样的:未定义的方法'create'forActiveRecord::AttributeMethods::Serialization::Tire::Module我测试了两个环境:测试和开发，它们都因相同的错误而失败。 最佳答案
ruby如何管理内存。例如:如果我们在执行过程中采用C程序，则以下是内存模型。类似于这个ruby如何处理内存。C:__________________|||stack|||------------------||||------------------|||||Heap|||||__________________|||data|__________________|text|__________________Ruby:? 最佳答案 Ruby中没有“内存”这样的东西。Class#allocate分配一个对象并返回该对象。这就是程序
