從芯片到數據：AI 的下一場戰役

作者：OORT創始人、哥倫比亞大學教授李崇博士（Max Li）

當全球依舊聚焦於圍繞 AI 芯片的戰爭------關稅、知識產權限制、供應鏈制裁以及地緣政治紛争時，直接左右AI 未來發展的數據荒問題，顯然被忽略了。

今年年初，埃隆·馬斯克便敏銳地指出，AI 公司已經耗盡了訓練模型的數據，甚至"用盡"了人類知識的總和。

本文將探討數據池的萎縮，及去中心化 AI （DeAI）如何在解決這一挑戰中扮演關鍵角色。

數據之戰降臨

首先要明確一點：數據並非取之不盡用之不竭。

數據之戰早有先兆：2023 年，一群視覺藝術家對 Stability AI、MidJourney 和 DeviantArt 提起了一場具有里程碑意義的訴訟，指控這些公司在未獲得許可的情況下使用他們的作品來訓練生成式 AI 模型（如 Stable Diffusion）。與此同時，馬斯克指責 OpenAI 等公司未經授權"抓取"推特（現為 X 平台）的數據，促使 X 平台收緊 API 定價和訪問限制。

無獨有偶，Reddit 大幅提高 API 定價，擾亂了依賴 Reddit 用戶生成內容進行 AI 模型訓練的 OpenAI 和 Anthropic 等公司。Reddit 將這一決定視為其數據貨幣化的方式，但也引發了關於用戶數據平台和尋求使用這些數據的 AI 公司之間緊張關係的辯論。

這些事件凸顯了一個日益明顯的現實：我們正在耗盡合法和倫理上可用的數據。

數據的多個戰線

芯片戰聚焦於生產最強大的硬體，而數據戰在於獲取合適的數據集以訓練 AI。倫理、高質量數據的日益稀缺，已成為一眾企業發展AI的瓶頸。

對於大公司而言，最可行的方式是從中心化巨頭那裡獲取數據，雖然代價高昂。然而，小型企業卻面臨有限且通常難以承受的選擇。沒有適當的收集數據的方法或渠道，這些公司將在未來AI發展和創新賽道大幅落後。

那麼我們到底如何以倫理且有效的方式收集推進 AI 開發所需的數據？

數據戰爭將在多個前沿展開，每個方面都帶來獨特的挑戰與機遇。

數據收集

誰掌控數據收集的管道？如何做到倫理與合法？

隨著針對科技巨頭的訴訟因非法抓取或使用數據而堆積如山，新興的舉措也開始出現。例如，哈佛大學率先推動獲得用戶同意的數據貢獻，為公眾提供開放訪問數據集。儘管此類項目有其價值，但遠不足以滿足商業 AI 應用的需求。

合成數據也逐漸成為一種潛在解決方案。Meta 和微軟等公司已開始利用 AI 生成數據來微調模型，如 Llama 和 Phi-4。Google 和 OpenAI 也在工作中採用了合成數據。然而，合成數據也面臨自身的挑戰，例如模型"幻覺"問題，這可能會影響其準確性和可靠性。

去中心化的數據收集提供了另一種有前景的選擇。通過利用區塊鏈技術並使用加密貨幣激勵個體安全共享數據，去中心化模式可以解決隱私、所有權和質量問題。這些解決方案還民主化了數據訪問，使小型企業能夠在 AI 生態系統中競爭。

數據質量

低質量的數據會導致模型偏差、不準確的預測，並最終引發對 AI 系統的不信任。我們如何確保用於 AI 訓練的數據是準確且具有代表性的？

行業常見做法包括：

• 嚴格的數據驗證：公司採用先進的驗證技術過濾數據集中的錯誤、不一致性和噪聲。這通常涉及人工監督、自動化過程或兩者結合來驗證數據完整性。
• 偏差緩解策略：為了確保數據具有代表性，企業實施偏差檢測工具和多樣化的採樣技術。例如，在醫療領域，數據集必須包括不同人口群體，以避免可能影響診斷模型的偏差。
• 遵循標準：ISO/IEC 27001 等數據安全行業框架和其他新興倫理 AI 指導正成為確保數據質量和符合全球標準的必要條件。
• 眾包質量檢查：亞馬遜機械土耳其人（Amazon Mechanical Turk）等平台被用於標記和驗證數據等任務。儘管成本低，但這些方法需要監督以確保一致性和準確性。
• 去中心化驗證：區塊鏈和去中心化系統正逐步成為認證數據來源、確保數據真實性和防篡改的工具。

此外，各國監管機構還面臨著建立全面數據隱私和安全規則的迫切挑戰，這些規則需要平衡個人權利與技術創新，同時應對諸如保護敏感數據免受網絡威脅、外國利用以及敵對實體濫用等關鍵國家安全問題。

前路崎嶇

數據戰爭的影響深遠。例如，在醫療行業，高質量患者數據的獲取可以徹底改變診斷和治療計劃，但嚴格的隱私法規構成了障礙。同樣，在音樂行業，使用倫理數據集訓練的 AI 模型可以改變從作曲到版權執行的一切，前提是它們尊重知識產權。

這些挑戰突顯了去中心化解決方案的重要性，這些方案優先考慮數據透明度、質量和可訪問性。通過利用去中心化系統，我們可以創造一個更加公平的數據生態系統，使個人保留對其數據的控制權，企業能夠訪問倫理且高質量的數據集，並在不損害隱私或安全的情況下推動創新。

從芯片戰到數據戰的轉變將重塑 AI 生態系統及其演變過程，為去中心化數據解決方案提供領先的機會。通過優先考慮倫理數據收集和可訪問性，去中心化 AI 有潛力彌合差距，引領更公平、更具創新性的 AI 未來。

爭奪最佳數據的戰鬥已經開始。我們是否準備好應對？