作者介绍：窦德景教授，复旦大学计算机学院特聘教授、清华大学电子工程系兼职教授、国家级人才计划入选者
Q：有学者指出高质量语料库将在 2027 年面临枯竭。对于 AI 技术和产业应用领域的不同企业而言，如何应对数据危机？合成数据训练或联邦学习是否会成为下一代技术底座？
窦德景：如果数据都是合成的，隐私问题自然就不存在了。不过，就合成数据本身而言，目前大家都在使用 AI 生成合成数据来训练 AI 模型，这已经成为一种常见的做法。
我的预期是，在未来的某个阶段，我们可能不再需要依赖大量的真实训练数据。这让我联想到 AlphaGo 和 AlphaGo Zero 的区别。AlphaGo 使用了 100 万盘人类高手的棋局作为训练数据，而 AlphaGo Zero 则完全摒弃了人类棋局，仅基于围棋的基本规则，通过两个程序互相训练，就像金庸小说里面的左右互搏，最终成为绝世围棋高手。
未来，AI 训练可能会进入类似的阶段。当 AI 对物理世界的理解达到 一定水平后，我们或许不再需要采集任何真实数据，而是可以直接根据物理世界的原理或规则生成所需的训练数据。当然，这可能在一两年内还难以实现。目前，所有真实数据加在一起，可能也只能 训练出 5 万亿参数的模型。但如果 GPT-5 达到 10 万亿参数，按我的推测，那肯定已经用了很多合成数据。
最终，数据的使用量可能会越来越少。DeepSeek 已经表明，强化学习是一个非常强大的工具。未来，结合强化学习和对物理世界规律的理解，或许可以解决数据需求的问题。当然，这可能意味着人类的作用会进一步减弱，因为过去人类还可以通过产生真实数据来参与和帮助 AI 训练，而未来甚至连真实数据都不再需要了。这听起来可能有点悲观，但这种可能性确实存在。
精选留言
2025-07-14 16:22:39
2025-07-19 22:06:34
比如AI推测出一种药物组合可以治疗癌症，给了各种理论，这个领域是没有模拟器的，只能去实际造出来，然后做各种动物实验，人体实验等等。 这个范围和领域会不断拓展，不过现在这种大模型，还是基于概率，是否能在不断喂数据喂知识的模式下达到瓶颈。