記者 張越熙
11月 19 日下午，行業(yè)大模型、具身智能、算力、芯片、數據合成等10 項首發(fā)成果在烏鎮(zhèn)峰會登臺路演， 其中 AI 數據合成與生產平臺AIGD（AI Generated Data）因聚焦“數據合成”獲廣泛關注。“未來的AI應用需要大量稀缺且難以獲取的長尾數據，如自動駕駛中的極端天氣與極端路況數據，具身智能訓練所需要的復雜場景數據。在此背景下，數據合成成為關鍵。”螞蟻數科AI科技技術負責人、螞蟻天璣實驗室主任李哲現場向記者介紹。
記者在2024年世界互聯網大會烏鎮(zhèn)峰會了解到，AIGD平臺是由螞蟻數科申報的首發(fā)成果，平臺可通過大規(guī)模合成互聯網所不覆蓋的高質量、高價值垂直語料數據，幫助科技廠商進行 AI 模型訓練。記者了解到，AIGD具備 PB 級數據生產能力，支持數據從生成到訓練全流程自動化處理，自動化率達到 80%，這極大提高了數據處理的效率和質量。平臺自研15 余種數據合成工具，目前可以合成圖片、視頻、3D模型、多模態(tài)圖文視頻對、多輪對話、語音信號、心率腦電信號、結構化交易數據等多模態(tài)數據，以滿足多種應用場景下的 AI 模型訓練需求。
業(yè)內人士普遍認為，“高質量數據”是 AI 大模型深入到產業(yè)的重要基礎，沒有好的數據做支撐，一切 AI 應用都是空中樓閣。近日，OpenAI員工爆料說，“新模型‘沒有那么大飛躍’”，主要原因之一便是高質量數據不足所導致的。今年 9 月份， OpenAI 發(fā)布推理模型o1，帶來了強化學習訓練新范式，通過自博弈強化學習，將合成數據的形式訓練給大模型，從而大幅增加大模型邏輯推理能力。
“數據合成”是螞蟻數科 AIGD 平臺的主要功能之一，此外還包括數據標注、質檢等能力。在數據標注方面，通過人機協同進行標注，人工智能算法能夠自動識別和預處理大部分基礎信息，預標注模型依賴人工標注量降低了 70%以上。在數據質檢方面，平臺會根據元信息支持不同粒度的數據質量統計，最大程度理解數據，保證合成及標注后的數據符合預期質量要求。李哲在烏鎮(zhèn)峰會上表示：“我們即將迎來 AI 服務產業(yè)的黃金年代，螞蟻數科將會堅定在 AI ToB 領域投入，讓 AI 深入千行百業(yè)?！?/p>
