AI (人工智能)的進(jìn)步是近年來(lái)科技發(fā)展中的重大突破。然而，隨著 AI 的發(fā)展，對(duì) AI 的訓(xùn)練和教育方法的討論也愈發(fā)重要。一個(gè)核心的問(wèn)題是：如果 AI 不斷向其他 AI 學(xué)習(xí)，會(huì)產(chǎn)生什么樣的結(jié)果？

在這個(gè)問(wèn)題的核心，是 AI 的訓(xùn)練方法和數(shù)據(jù)來(lái)源。大型語(yǔ)言模型 (LLM)，如 ChatGPT，主要使用來(lái)自互聯(lián)網(wǎng)的大量人工文本庫(kù)進(jìn)行訓(xùn)練。這使得 AI 能夠以統(tǒng)計(jì)的方式處理信息，并進(jìn)行預(yù)測(cè)，例如預(yù)測(cè)句子中最有可能出現(xiàn)的單詞。然而，如果這些 AI 主要使用其他 AI 的輸出作為訓(xùn)練數(shù)據(jù)，就可能出現(xiàn)所謂的"模型崩潰"。

然而，來(lái)自英國(guó)牛津大學(xué)的研究人員Ilia Shumailov及其團(tuán)隊(duì)指出，"模型崩潰"是指 AI 模型嚴(yán)重偏見(jiàn)、過(guò)于簡(jiǎn)化，并與現(xiàn)實(shí)脫節(jié)的現(xiàn)象。這主要是因?yàn)?AI 模型以統(tǒng)計(jì)方式表示文本，多次看到一個(gè)短語(yǔ)或句子的 AI 很可能在輸出中重復(fù)這個(gè)短語(yǔ)，并且不太可能產(chǎn)生它很少看到的東西。換句話說(shuō)，AI 可能會(huì)“狹義學(xué)習(xí)”，只能理解和生成它曾經(jīng)看到的內(nèi)容。

研究者發(fā)現(xiàn)，當(dāng)新模型根據(jù)其他 AI 的輸出進(jìn)行訓(xùn)練時(shí)，這種現(xiàn)象會(huì)更加明顯。新模型只能看到原始 AI 可能輸出的一小部分，且這個(gè)子集往往不能完全覆蓋所有可能的情況，因此新 AI 不會(huì)將更稀有的輸出納入自身可能的輸出。這種訓(xùn)練方式會(huì)使模型無(wú)法判斷自己看到的由其他 AI 生成的文本是否符合現(xiàn)實(shí)，可能會(huì)引入比當(dāng)前模型更多的錯(cuò)誤信息。

更重要的是，當(dāng)這種過(guò)程不斷重復(fù)時(shí)，問(wèn)題會(huì)愈演愈烈。Shumailov形象地描述了這種情況：“最終我們會(huì)陷入這種瘋狂的狀態(tài)，其中只有錯(cuò)誤、錯(cuò)誤和錯(cuò)誤，而且錯(cuò)誤的嚴(yán)重程度遠(yuǎn)高于其他任何事情。”這意味著，如果 AI 不斷從其他 AI 中學(xué)習(xí)，那么錯(cuò)誤將在這些系統(tǒng)中迅速累積，導(dǎo)致偏見(jiàn)和誤導(dǎo)。

然而，這并不意味著 AI 之間的學(xué)習(xí)是不可能的或者是有害的。這意味著我們需要仔細(xì)考慮如何進(jìn)行 AI 的訓(xùn)練和學(xué)習(xí)。AI 模型和訓(xùn)練方式的設(shè)計(jì)應(yīng)盡可能地代表多樣化的數(shù)據(jù)，以減少偏見(jiàn)和誤導(dǎo)。此外，我們需要對(duì) AI 輸出的真實(shí)性和準(zhǔn)確性進(jìn)行更嚴(yán)格的評(píng)估和監(jiān)控，以防止錯(cuò)誤信息的傳播。

總的來(lái)說(shuō)，AI 之間的學(xué)習(xí)可能會(huì)帶來(lái)很多挑戰(zhàn)，但也可能為 AI 的進(jìn)步提供新的機(jī)會(huì)。只要我們采取適當(dāng)?shù)牟呗院头椒?，就有可能避?模型崩潰"，并充分利用 AI 的學(xué)習(xí)能力。