大模型沒有“知識圍城”

最近，兩大知識平臺開始“反擊”大模型。

一是知網(wǎng)。就是引發(fā)學(xué)術(shù)界震動、開啟“天臨元年”的那個知網(wǎng)，要求秘塔AI搜索終止對他們內(nèi)容的搜索和鏈接。

二是知乎。網(wǎng)友發(fā)現(xiàn)在微軟必應(yīng)搜索、谷歌搜索的結(jié)果中，知乎內(nèi)容的標(biāo)題和正文都可能是亂碼，極大可能是為了避免內(nèi)容被用來訓(xùn)練AI模型。

這兩大平臺區(qū)別于其他互聯(lián)網(wǎng)社區(qū)的一大特點(diǎn)，就是知識內(nèi)容豐富、質(zhì)量較高。

對于大模型來說，“知識密度”是一個非常關(guān)鍵的指標(biāo)，就像集成電路領(lǐng)域的“先進(jìn)制程”一樣，如果說高制程芯片能夠在同樣面積上集成更多的晶體管，那么“知識密度高”的大模型，能夠在同樣的參數(shù)空間內(nèi)學(xué)習(xí)并存儲更多的知識，從而更好地完成特定領(lǐng)域的任務(wù)。

半導(dǎo)體領(lǐng)域的“先進(jìn)制程”封鎖，一直是拿捏中國芯片的有效手段。

那么，頭部知識平臺對大模型采取“關(guān)門政策”，會影響到大模型及AI產(chǎn)品的先進(jìn)性嗎？

我們的觀點(diǎn)如標(biāo)題所示，大模型是不會被“知識圍城”而封鎖的。

比起結(jié)論，更值得進(jìn)一步探討的是，既然大模型訓(xùn)練對平臺內(nèi)容并沒有高度依賴，模廠和平臺的矛盾是從何而起呢？

很多讀者都聽說過AI三要素，是數(shù)據(jù)、算力、算法。知識處于什么地位呢？憑什么大模型知識密度，具有半導(dǎo)體“先進(jìn)制程”一樣的重要性呢？

清華大學(xué)張鈸院士說過，當(dāng)前大模型存在難以逾越的天花板，“推動AI的創(chuàng)新應(yīng)用與產(chǎn)業(yè)化，四個要素肯定都要發(fā)揮知識、數(shù)據(jù)、算法、算力，但是我們最主張的，就必須重視知識的作用，所以我們把知識放在第一位”。

可能有人又會問，院士說得就一定對嗎？當(dāng)然不一定。我們還可以來看看一線的從業(yè)者，又是怎么想的。

我聽過某AI創(chuàng)業(yè)公司，在交付產(chǎn)品時，發(fā)現(xiàn)即便是基于GPT4-Turbo這樣性能領(lǐng)先的基座模型，AI也對很多問題答不上來。因為有些場景會用到一些隱性知識，這些知識是下一步推理所必需的，但模型經(jīng)常get不到。

比如生成一道菜譜，其中提到了“加辣椒”，但辣椒有點(diǎn)辣（隱性知識），就需要詢問用戶“喜不喜歡吃辣”，人類廚師早就了解這個基礎(chǔ)知識，但讓AI主動意識到并詢問就很難。

這是因為缺少“通識知識”。

某金融券商想用大模型來替代人類理財師，發(fā)現(xiàn)大模型給出的理財觀點(diǎn)和建議很泛泛，是一些常識性內(nèi)容，而用戶在決策時，需要的是人類專家那樣犀利的洞見。

一位金融從業(yè)者說，有些場景，大模型fine tuning還不如傳統(tǒng)的小模型，怎么把業(yè)務(wù)知識注入大模型中，做了各種嘗試也沒有特別好的方法，只能把飄在上面的問題數(shù)據(jù)，收集來達(dá)標(biāo)給LLM，希望它下次不要再犯錯網(wǎng)絡(luò)。

而另一個創(chuàng)業(yè)公司發(fā)現(xiàn)，如果從小處著手，將LLM與行業(yè)知識融合，可以獲得97%以上的準(zhǔn)確率，基本能達(dá)到行業(yè)客戶的驗收標(biāo)準(zhǔn)。實際上，很多AI創(chuàng)業(yè)公司的大模型ToB項目，都是幫助企業(yè)構(gòu)建定制化知識庫（KB系統(tǒng)）。

領(lǐng)域知識，則是關(guān)乎大模型處理復(fù)雜專項任務(wù)、收獲商業(yè)成功的第二道壁壘。

所以，很多模廠都希望模型通過持續(xù)學(xué)習(xí)，來不斷吸收新知識，這又帶來了新的問題——修改核心參數(shù)，這可能影響到模型的原有性能，有可能直接崩掉，不work了，這是業(yè)務(wù)的大敵。

咋辦呢？還是得靠知識。

一方面，原本知識密度就高的大模型，相當(dāng)于人類具備很強(qiáng)的通識基礎(chǔ)，提前了解了很多背景知識，所以泛化能力很強(qiáng)，可以在面對新領(lǐng)域、陌生任務(wù)時，快速學(xué)習(xí)、舉一反三。所以，知識密度可以讓大模型具備跨領(lǐng)域、自學(xué)習(xí)的能力，通過“知識回路”就能學(xué)會新知識了。這就減少了人工干預(yù)，從而降低了故障率。

另外，高效、精準(zhǔn)的知識編輯，可以對大模型中的知識進(jìn)行新增、擦除等操作，就可以用很小的代價，實現(xiàn)模型的迭代升級。讓模廠在保持模型先進(jìn)性的同時，也不影響到現(xiàn)有業(yè)務(wù)的持續(xù)性。對于業(yè)務(wù)不能中斷的金融、政務(wù)、電力、工廠等行業(yè)客戶，簡直不要太有吸引力。

此外，一些實際業(yè)務(wù)中，不希望大模型在生成時說出來的話，比如一些隱私信息，或者有害有毒內(nèi)容、政治偏見等，都需要知識編輯技術(shù)來進(jìn)行“祛毒”，精準(zhǔn)地識別毒性區(qū)域并擦除有毒內(nèi)容，真正做到給大模型“洗腦”。

由此可見，知識是AI商業(yè)化全流程都必須關(guān)注的。業(yè)界一度有著“得知識者得天下”的風(fēng)向。有模廠提出了大模型知識的“摩爾定律”，認(rèn)為大模型的知識密度，應(yīng)該每隔8個月就翻一倍，同等知識量的模型參數(shù)量減半。

那反過來想一想，失知識者豈不是要失天下了？

知識平臺，是人類知識匯聚的重要渠道，OpenAI、谷歌等海外AI公司都與優(yōu)質(zhì)媒體內(nèi)容平臺有商業(yè)化合作，用授權(quán)內(nèi)容來訓(xùn)練自家模型。

既然如此，為什么我們會說，大模型其實并不擔(dān)心平臺的“知識封鎖”呢？

因為人類知識平臺，不再是模型不得不進(jìn)的“圍城”。

如果說原始數(shù)據(jù)是“草”，而知識是牛奶，那么傳統(tǒng)知識獲取，是讓機(jī)器“喝的是奶，產(chǎn)的也是奶”。就像20世紀(jì)的專家系統(tǒng)，根據(jù)一個或者多個專家提供的知識和經(jīng)驗，通過模擬專家的思維過程，讓機(jī)器能夠解決問題。

這種情況下，實現(xiàn)機(jī)器智能就必須依賴由人類領(lǐng)域?qū)＜?，以及專家知識庫。要“進(jìn)城”獲取知識，必須給平臺“城主”交過路費(fèi)。

但大模型不一樣的地方，一是“不是必須喝奶，吃草也行”，可以直接從原始數(shù)據(jù)中挖掘知識、抽取知識。DeepMind聯(lián)合創(chuàng)始人哈薩比斯曾經(jīng)設(shè)想過，未來的大模型可以直接從與客觀世界的感知交互過程中，利用深度學(xué)習(xí)算法來總結(jié)知識，并直接用于決策。

二是“不依賴人產(chǎn)奶，自己也行”，通過數(shù)據(jù)驅(qū)動的大規(guī)模自動化的知識獲取，反哺模型。

ChatGPT、GPT4都具備較強(qiáng)的知識圖譜建構(gòu)能力，按照要求抽取知識，正確率可以達(dá)到88%，這種“生產(chǎn)效率”可比人類寫論文、在問答平臺“謝邀，剛下飛機(jī)，答一下”，要快得多。

更進(jìn)一步，業(yè)界還在研究能夠大規(guī)模編碼和處理各種知識表示結(jié)構(gòu)的大型知識模型（Large Knowledge Model）。從LLM到LKM，對現(xiàn)有人類知識的依賴越來越低了。

所以，是否收錄基于人類知識的平臺內(nèi)容，其實對大模型訓(xùn)練來說，影響已經(jīng)很小了。

“吃的是草，吐的是奶”的模型，可以在大數(shù)據(jù)的曠野上生存，并不一定要進(jìn)知識平臺這座“圍城”，“關(guān)門”也就關(guān)門吧。

所以我們看到的后續(xù)就是，秘塔AI搜索在收到知網(wǎng)的函件之后，表示“學(xué)術(shù)”版塊僅收錄了論文的文獻(xiàn)摘要和題錄，并未收錄文章內(nèi)容本身。而且還主動“斷鏈”，不再收錄知網(wǎng)文獻(xiàn)的題錄及摘要數(shù)據(jù)，轉(zhuǎn)而收錄其他中英文權(quán)威知識庫的文獻(xiàn)題錄及摘要數(shù)據(jù)。類似的，被知乎以亂碼干擾的谷歌搜索、微軟必應(yīng)搜索，模型能力依然領(lǐng)先。

那么，知識平臺的反應(yīng)，難道是過度反應(yīng)、虛空索敵嗎？平臺究竟想“鎖”住什么，恐怕才是值得關(guān)注的真問題。

首先，沒必要利用人類知識來訓(xùn)練模型，并不是說大模型廠商就一定不會侵權(quán)。

目前，全球模廠都面臨高質(zhì)量語料匱乏的隱憂，數(shù)據(jù)焦渴之下，在未授權(quán)的情況下，用到有知識產(chǎn)權(quán)的數(shù)據(jù)是可能發(fā)生的。

在某次采訪中，OpenAI的CTO就對“視頻訓(xùn)練數(shù)據(jù)是否來自YouTube等公開網(wǎng)站”等問題避而不談。此前，《紐約時報》曾因商談“內(nèi)容付費(fèi)”沒有成效，將OpenAI和微軟告上法庭，指控他們未經(jīng)授權(quán)就使用該機(jī)構(gòu)的數(shù)百萬篇文章來訓(xùn)練AI模型。

而前不久，微軟就與學(xué)術(shù)出版商Taylor & Francis簽署了一項價值1000萬美元的協(xié)議，允許微軟訪問其數(shù)據(jù)來改進(jìn)AI系統(tǒng)。

由此可見，雖然AI領(lǐng)域的知識產(chǎn)權(quán)問題仍然有很多盲區(qū)，但與知識平臺達(dá)成版權(quán)合作，應(yīng)該被模廠及其客戶，納入AI合規(guī)和持續(xù)性經(jīng)營的考量中。

此外，即使侵權(quán)問題并不存在，但價值沖擊也會發(fā)生。

具體來說，AI搜索等新一代AI產(chǎn)品，對知識平臺的沖擊有兩方面：

一是流量價值沖擊。盡管秘塔AI搜索聲明中提到，向用戶提供的是知網(wǎng)的學(xué)術(shù)文獻(xiàn)題錄及摘要數(shù)據(jù)，用戶要進(jìn)一步瀏覽正文，要通過來源鏈接跳轉(zhuǎn)至網(wǎng)站獲取。但搜索引擎將觸角伸到網(wǎng)站，用戶就會減少訪問與站內(nèi)搜索，從而影響平臺的流量和潛在收益，類似于微信此前阻止百度搜索到公眾號內(nèi)容一樣。

二是知識價值沖擊。基于大模型的AI搜索具備總結(jié)、生成等能力，而由于模型可能存在“過擬合”問題，也就是AI自己“腦補(bǔ)”，最終可能輸出給用戶的內(nèi)容與原文高度一致，沒直接侵權(quán)但勝似侵權(quán)。

此前就有很多小說作者發(fā)現(xiàn)，模型生成的故事大綱與走向與自己寫的高度類似，懷疑云文檔被用來訓(xùn)練AI模型，但極有可能是AI跟人類作者“撞腦”了。

大模型經(jīng)濟(jì)的核心價值，是知識的創(chuàng)造與分發(fā)。

一位朋友說，“以前有問題，我會上網(wǎng)問知乎，但有些問題我不想讓公眾知道，以后我就問基礎(chǔ)大模型+領(lǐng)域知識+AI Agent打造的專業(yè)bot，一次到位”。Perplexity CEO曾明確說過，“我們想成為世界上最以知識為中心的公司”，秘塔AI搜索經(jīng)常被比作中國的Perplexity。

可以看到，即使沒有侵權(quán)糾紛，AI企業(yè)及產(chǎn)品，也與知識平臺，在商業(yè)層面形成了直接的替代和競爭關(guān)系。

失知識者失天下，從這個角度來說，的確成立。

大模型在數(shù)據(jù)曠野上狂飆突進(jìn)，知識平臺能否靠“關(guān)門上鎖”來守住核心價值呢？或許大家心中已經(jīng)有答案。

解鎖關(guān)鍵信息

知識平臺封鎖，鎖不住AI獲取知識的腳步

審核編輯 黃宇