AI需要更好的人工數據，而非更大的模型
AI的未來並不依賴於越來越大的模型，而是依賴於更好的人為策劃數據。如果缺乏專家的監督和高質量的訓練數據集，AI就會面臨偏見、幻覺和不相關的風險。
AI面臨“壞數據”問題
人類擁有細膩的認知能力，能夠根據經驗做出推斷和邏輯決策。然而，AI模型的優劣則完全取決於其訓練數據的質量。
AI模型的準確性並不僅僅依賴於底層算法的技術複雜性或處理數據的數量，更重要的是在訓練和分析性能測試中所使用的數據必須是可信和高質量的。
壞數據對AI模型的訓練產生多重影響：它會產生偏見的輸出和由於邏輯錯誤而產生的幻覺，導致重新訓練AI模型以消除壞習慣，從而增加公司的成本。
偏見和統計上代表性不足的數據會在AI系統中放大缺陷和扭曲的結果，尤其是在醫療和安全監控領域。例如，一份無辜項目的報告列舉了多起錯誤識別的案例，底特律前警察局長承認，僅依賴AI的面部識別會導致96%的錯誤識別。此外，哈佛醫學院的一份報告指出，某AI模型在美國健康系統中優先考慮健康的白人患者，而忽視病情較重的黑人患者。
AI模型遵循“垃圾進，垃圾出”（GIGO）原則，因為錯誤和偏見的數據輸入會產生低質量的輸出。壞的輸入數據會造成操作效率低下，項目團隊在清理數據集之前面臨延誤和更高的成本。
除了操作上的影響，基於低質量數據訓練的AI模型會侵蝕公司對其部署的信任和信心，造成無法彌補的聲譽損害。根據一項研究，GPT-3.5的幻覺率高達39.6%，這突顯了研究人員需要進一步驗證的必要性。
這種聲譽損害的後果深遠，因為這會使得獲得投資變得困難，並影響模型的市場定位。在一次CIO網絡峰會上，21%的美國頂級IT領導者表示，缺乏可靠性是他們不使用AI的最迫切擔憂。
人類前沿數據是關鍵
埃隆·馬斯克最近表示，“人類知識的累積總和已在AI訓練中耗盡。”這一觀點與事實相去甚遠，因為人類前沿數據是推動更強大、更可靠和無偏見的AI模型的關鍵。
馬斯克對人類知識的輕視呼籲使用人為生成的合成數據來微調AI模型訓練。然而，與人類不同，合成數據缺乏真實世界的經驗，並且歷史上未能做出道德判斷。
人類專業知識確保對數據的仔細審查和驗證，以保持AI模型的一致性、準確性和可靠性。人類能夠評估、評價和解釋模型的輸出，以識別偏見或錯誤，確保其符合社會價值觀和道德標準。
此外，人類智慧在數據準備過程中提供獨特的視角，通過帶入上下文參考、常識和邏輯推理，幫助解決模糊的結果、理解細微差別並解決高複雜度的AI模型訓練問題。
人工智能與人類智能之間的共生關係對於充分發揮AI的潛力至關重要，這樣才能在不對社會造成傷害的情況下實現技術的變革。人機協作的方式有助於釋放人類的直覺和創造力，為公共利益構建新的AI算法和架構。
去中心化網絡可能是最終在全球範圍內鞏固這一關係的關鍵。
當公司擁有需要不斷改進的弱AI模型時，會浪費時間和資源。通過去中心化的人類干預，公司可以通過在全球數據訓練者和貢獻者之間分配評估過程來降低成本和提高效率。
去中心化的基於人類反饋的強化學習（RLHF）使AI模型的訓練成為一項合作事業。普通用戶和領域專家可以參與訓練，並因準確的標註、標籤、類別劃分和分類而獲得經濟激勵。
基於區塊鏈的去中心化機制自動化補償，貢獻者根據可量化的AI模型改進獲得獎勵，而不是僵化的配額或基準。此外，去中心化的RLHF通過吸納來自不同背景的人員，減少結構性偏見，提升一般智能，從而使數據和模型訓練民主化。
根據Gartner的調查，到2026年，超過60%的AI項目將因缺乏AI準備數據而被放棄。因此，如果行業希望到2030年為全球經濟貢獻15.7萬億美元，人類的能力和專業知識對於準備AI訓練數據至關重要。
AI模型訓練的數據基礎設施需要根據新興數據和用例不斷改進。人類可以確保組織通過持續的元數據管理、可觀察性和治理來維持AI準備數據庫。
如果沒有人工監督，企業將在雲端和離岸數據存儲中面對大量數據的孤島化問題。公司必須採用“人類在環路中”的方法，對數據集進行微調，以構建高質量、高性能和相關的AI模型。
這篇文章的觀點僅供一般參考，並不構成法律或投資建議。文中所表達的觀點、想法和意見僅代表作者本人，並不一定反映或代表Cointelegraph的觀點和意見。
—
在當前的AI發展中，數據的質量無疑是核心問題。無論是企業還是研究機構，都應該意識到，僅僅依賴模型的規模並不能解決問題，反而可能導致更大的偏見和風險。這不僅是技術挑戰，更是道德責任。未來的AI應該是以人為本，真正反映社會的多樣性和複雜性，這才是推動技術進步的正確方向。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
