據大公報綜合報道，訓練險增人工智能（AI）大模型訓練需要使用海量數據，胃口目前訓練數據集大多來自互聯網或者書籍等作品，大開隨着AI模型不斷改進，語料其對數據的荒數「胃口」越來越大。據人工智能預測組織Epoch AI一項研究估計，據易人工智能公司或很快面臨「數據荒」，被污最早可能在2026年之前耗盡高質量的染風文本訓練數據，而低質量的訓練險增訓練數據可能在2030至2060年間枯竭。

人工智慧發展的語料核心資源是數據，其模型訓練數據越多，荒數AI的據易能力就越強。為了訓練AI語言模型，被污AI公司過去常到互聯網上瘋狂截取文字、圖片和視頻等海量數據，包括新聞報道、科研文章、維基百科、文學藝術作品以及社交媒體帖子等。此外，AI公司之間還可能「借用」數據，甚至「偷」別家的數據，例如，谷歌先後被揭發採用OpenAI和百度文心一言的數據，訓練其聊天機器人Gemini和Bard。

2026年耗盡互聯網數據

隨着科企不斷開發功能更強大的AI系統，其對數據的海量需求，使得互聯網上可用的公共數據資源變得捉襟見肘。Epoch研究所人工智能研究員Pablo Villalobos估計，OpenAI的GPT-4的數據訓練量就高達12萬億個，而該公司目前最先進的AI模型GPT-5，則可能將需要60萬億到100萬億個數據。據估計，當前所有可用的高質量數據被用完後，AI訓練仍還有10萬億到20萬億的數據缺口，甚至更多。

Villalobos在兩年前就預計，到今年年中，有50%幾率高質量數據將耗盡，到2026年，高質量數據被耗盡的幾率有90%。有AI公司高管和研究人員表示，AI業所需的高質量文本數據近期將供不應求，「數據荒」可能會阻礙AI發展。

數據變「金礦」 掀版權大戰

專家稱，互聯網上大部分數據其實屬於低質量數據，當中存在語句缺陷，難以用於訓練AI，因此高質量數據被視為AI訓練的「金礦」，但又引發另一個問題：版權。新聞媒體報道、藝術作品和影視作品等都能為AI模型訓練提供高質量內容，都受到版權保護。

去年12月，美國《紐約時報》成為首家起訴OpenAI和微軟的主流媒體，索償數十億美元，《紐時》指控後者在不付費的情況下，「使用《紐時》的內容來創造代替《紐時》的產品，並把讀者從《紐時》那裏搶走」。今年4月，YouTube行政總裁莫漢公開點名批評OpenAI的視頻生產軟件Sora疑似竊取數據，認為違反該平台的服務條款。

除了興訟，部分媒體、社交平台也採取措施防止AI公司「盜數據」。CNN、《紐時》和路透社遮蓋了OpenAI的網絡爬蟲工具GPTBot，彭博社、《華盛頓郵報》、ABC新聞以及迪士尼等多家媒體巨頭也都採取類似的措施。

建數據市場或成解決方案

為了解決版權爭議，針對現存的數據，OpenAI是與媒體和社交平台達成合作協議，獲得使用許可。OpenAI行政總裁阿爾特曼去年曾透露，正在研究新方法來訓練未來的AI，包括打造數據市場，根據不同數據內容在最終模型訓練中的貢獻值進行計價，並向相關提供方支付費用。谷歌據稱也有類似的想法。

部分公司是使用自身數據來訓練AI，比如社交網站Facebook和Instagram的母公司Meta。但這又引發新的問題，社交網站上的數據大多包含用戶個人信息，存在隱私洩露風險問題。

由於網上數據有限，有的科企嘗試自產自用作為替代解決方案，使用合成數據（Synthetic data），由AI生成的數據來「反哺」自身模型。但是，由於人工合成數據畢竟是真實數據的模擬，存在一定偏差，這種偏差將隨着AI的訓練更新不斷放大，最終可能導致AI模型「崩潰」。

 網上數據易被污染 暗藏風險 

互聯網上數據（或語料）如汪洋大海，每天都在產生海量數據，但實際上良莠不齊，並非所有數據都能用於訓練AI。因此，AI模型的核心競爭是優質數據的競爭，其數量更是限制AI模型進一步發展的關鍵。無法獲得高質量數據的公司，其訓練出來的AI模型，與其他公司的差距也會越來越大。隨着聊天機器人越來越常見，由AI生成的數據，反過來逐步「污染」互聯網，如果這些數據在沒有識別的情況下，又被搜集用來訓練AI，就會變成AI模型的風險來源。

網上數據不可靠，可能還有一個原因──創作者向抓取數據的AI公司發起挑戰。據報道，一種名為Nightshade（夜影）的新開源工具，或可被用於反擊互聯網上盜用圖片作品訓練AI的行為。Nightshade由美國芝加哥大學研究人員開發，通過在圖片中加入了肉眼無法識別的像素，以混淆、欺騙並誤導AI模型，擾亂其訓練，實現所謂的「數據投毒」。例如，輸入帽子的圖像最後出現蛋糕，輸入手袋的圖像最後生成烤麵包機。AI學習的文本數量越大，其「中毒」情況就會越深，而且中毒的數據很難刪除，需要科技公司在海量數據中找到並刪除每個損壞的樣本。研究人員希望這個工具有助於藝術創作者維權，但警告該工具可能會被用於惡意目的。