Scaling Law触礁「数据墙」？Epoch AI发文预测LLM到2028年耗尽所有文本数据

摘要： 这里是麦乐鸡号收到请回答这里是麦乐鸡号收到请回答今天喊了一嗓子小区两三个回复我的今年六一新晋顶流麦麦对讲机掀起麦门宇宙的狂欢热门声明本文来自于微信公众号新智元作者新智元授权转载发布...

“这里是麦乐鸡1号收到请回答”“这里是麦乐鸡2号收到请回答”“今天喊了一嗓子，小区两三个回复我的。”今年六一，新晋顶流“麦麦对讲机”掀起“麦门宇宙”的狂欢。热门IP

声明：本文来自于微信公众号 新智元（ID:AI_era），作者:新智元，授权 转载发布。

【新智元导读】训练数据的数量和质量，对性能的重要性已经是不言自明的事实。然而，Epoch AI近期的一篇论文却给正在疯狂扩展的AI模型们泼了冷水，他们预测，互联网上可用的人类文本数据将在四年后，即2028年耗尽。

数据和算力，是AI大模型最重要的两把「铲子」。

算力方面，英伟达的不断创新和各家代工厂的产能提高，让世界各处的数据中心拔地而起，研究人员暂时不用担心计算资源。

然而，近些年来，数据成为愈发严峻的问题。

根据华尔街日报的报道，OpenAI在训练GPT-5时已经遇到了文本数据不足的问题，正在考虑使用Youtube公开*转录出的文本。

关于「数据耗尽」这个问题，非营利研究机构Epoch AI在6月4日发布了一篇最新论文。

根据他们的预测，未来10年内，数据增长的速度无法支撑起大模型的扩展，LLM会在2028年耗尽互联网上的所有文本数据。

论文地址:https://arxiv.org/abs/2211.04325

目前这篇论文已被ICML2024接收。著名的硅谷天才少年Alexandr Wang也转发了这篇论文，并附上了自己的一番见解。

他创办的Scale AI专门为AI模型提供训练数据，估值已经飙升到138亿，是当下硅谷最炙手可热的明星独角兽。

估值飙至138亿美元!27岁华裔天才少年再获融资，数据标注会是下一个风口?

论文作者所属的机构Epoch AI则是一家非营利研究组织，成立于2022年4月，他们致力于调查的历史趋势，并帮助预测其未来发展。

虽然这个组织目前只有13名员工，且分布在世界各地，但他们的工作有非常广泛的影响。

英国和荷兰的政府报告都曾引用Epoch AI发表的论文。RAND智库的研究员表示，Epoch的AI模型数据库对于政策制定者来说是宝贵的资源，「世界上没有其他数据库如此详尽和严谨」。

预测方法

Epoch AI凭什么预测出2028年这个时间点?

说得直白一点，数据量就像一个水池。有存量、有增量，是否够用就要同时看供给侧和需求侧，预测AI模型的数据集会不会把水池抽干。

首先需要估计目前互联网上的文本数据存量S。

定期更新的开源数据集Common Crawl爬取到了超过2500亿个网页，包含130T tokens。但这不是全部的网络内容，还需要统计索引网络的大小。

我们先假设谷歌搜索引擎包含了所有索引网站，可以使用「词频法」估计其中的页面数量。

比如，如果「chair」这个词出现在Common Crawl0.2%的页面中，而且谷歌可以搜索到40B个包含「chair」的网页结果，就能初步预估出整个索引网络的大小约为40B/0.002=20T个页面。

采用这种方法，论文估算出谷歌索引包含约270B个页面，每个网页约有1.9KB纯文本数据，这表明整个索引网络的数据量大概为500T，是Common Crawl的5倍。

除此之外，还可以用另一种思路建模，估算整个互联网的数据总量——从使用人数入手。

网络上大部分文本数据都是用户生成的，并存储在各种平台上，因此，考虑互联网用户数和人均产生数据量，即可估计人类生成的公开文本数据量。

根据人口增长以及互联网逐渐普及的趋势，论文对互联网用户增长趋势进行建模，得出的曲线与历史数据非常吻合。

假设每个用户平均生成数据率保持不变，论文预计2024年上传的文本数据总量为180T~500T tokens。

根据这个预测结果以及已知的增长趋势，论文预估，互联网上的存量数据为3100T。

由于同时考虑了索引网络和深层网络（搜索引擎无法触及的网页），这个数字可以看作索引网络数据量的上限。

5G时代的冲浪选手应该都有体会，虽然在同一个互联网，但文本和文本的质量可以有云泥之别。

比如，在书籍或维基百科的文本上训练出的模型，与Youtube评论喂出的模型，可能有很大的性能差异。因此，只用token数量衡量数据的话，就过于片面了。

但也不能对网络数据失去信心。之前有多项研究表明，通过仔细的过滤和数据处理，网络数据带来的性能依旧优于人工精心挑选的语料库。

论文地址:https://arxiv.org/abs/2306.01116

研究人员尝试对Common Crawl数据集进行类似的处理，发现过滤后数据集大小会降低30%。同时，另一项去年的研究也发现，剪除Common Crawl中50%的重复数据可以实现最佳性能。

因此，有比较充足的理由相信，数据总量的10%-30%可作为高质量数据用于训练，相当于索引网络510T数据中的100T左右。

以上是对互联网数据池的预估，是数据的供给方。接下来，需要对数据使用方——数据集容量（变量D）进行预估。

Epoch曾经在2022年发表了一个知名的机器学习模型数据库，包含了300多个模型，从中选取2010年-2024年间发表的80余个LLM进行分析。

上图表明，目前LLM使用的最大训练集约为10T。Epoch AI之前也曾预估过，GPT-4训练集大小达到了12T tokens。

如果直接根据历史趋势进行外插（图中蓝线），那么到2030年，模型可以接受超过1000T tokens的训练。

但这个结果没有同时考虑算力的限制。根据Scaling Law，Transformer架构所需的数据量大致随训练算力的平方根扩展。

将计算资源和电力资源的约束引入后，就得到了下图中的预测曲线。

由此，论文就得出了预测结果。按照目前互联网数据总量和训练数据集的增长速度，如果以当前趋势继续下去，数据耗尽年份的中位数是2028年，最大可能性是2032年。

这意味着，未来10年内，数据将成为LLM的重大瓶颈，「数据墙」将成为现实。

慢着，记不记得之前我们预估过，整个互联网上的文本数据总量约为3100T，这些数据怎么没有算进去?

遗憾的是，这部分数据大多分布在Fackbook、Instagram、WhatsApp等社交媒体上，抓取过程不仅复杂、昂贵，而且涉及个人隐私相关的法律问题，因此几乎无法应用于LLM的训练。

但Meta公司等机构似乎没有放弃，仍在探索可能的路径来利用这些数据。

「数据墙」挡不住LLM?

Epoch AI的创始人也在此前的采访中表示过，虽然我们能看到「数据耗尽」的前景，但「目前还没有感到恐慌的理由。」

目前就至少有两种策略可以绕过人类文本数据的瓶颈，而且在论文作者看来，这两种方法都是「前途无量」。

根据报道，仅OpenAI一家公司的模型每天就能生成100B个单词，也就是每年36.5T个单词，相当于Common Crawl中优质单词的总数。

这远远快于人类生成文本的速度，可以让数据存量急剧扩大，而且在模型输出相对容易验证的领域很有前景，比如数学、编程、游戏等等。

使用合成数据训练的最著名模型莫过于AlphaZero，它通过自我对弈达到了人类棋手都未能企及的水平。

此外2024年最新发布的AlphaGeometry同样使用合成数据进行训练，尝试解决几何问题。

然而，当合成数据推广到自然语言领域时，似乎存在一些本质问题。

之前有研究表明，使用模型输出的文本进行迭代训练，会丢失有关人类文本数据分布的信息，让生成的语言越来越同质化且不切实际。

有研究者还把合成数据导致的模型崩溃形象比喻为「近亲结婚」，称这种LLM为「哈布斯堡模型」。

但这个问题也并非无解。有之前的研究证明，通过使用多样的训练数据，或者混合一些人类文本数据，既可以合理利用训练数据，又能一定程度上缓解副作用。

另一种选择就是超越文本数据，从其他领域「掘金」。

除了我们熟知的*、图像之外，金融市场数据或科学数据库也可以使用。有人预测，到2025年，基因组学数据将以每年200-4000万兆字节的速度增长。

除了这两种方法，很多实验室和初创公司也正在积极探索。比如DatologyAI正在研究一种名为「课程学习」（curriculum learning）的方法，把数据按特定顺序输入，以期LLM能够在概念之间形成更智能的联系。

2022年他们发表的论文显示，如果数据无误，使用这种训练方法的模型可以用一半的数据实现相同的效果。

也许，Epoch AI创始人的话的确有道理。虽然数据是有限的，「数据墙」也是可预期的，但方法总比困难多。

「最大的不确定性在于，你会看到什么样的技术突破。」

参考资料:

https://x.com/EpochAIResearch/status/1798742418763981241

https://epochai.org/blog/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data

https://x.com/alexandr_wang/status/1799930063192002701

https://time.com/6985850/jaime-sevilla-epoch-ai/