AI 行业过度依赖合成数据是一个大错误

图灵奖得主里奇·萨顿近日公开警告，人工智能行业过度依赖合成数据可能是一个重大错误。这位加拿大计算机科学家在红杉资本播客中表示，用算法生成的数据替代真实世界数据，正在将整个行业引向错误方向。他强调，合成数据无法完整模拟真实世界的复杂性，尤其对于需要与物理环境交互的AI系统。

合成数据是指由AI模型或算法人工生成的信息，而非从现实世界采集。随着互联网上高质量真实数据日益枯竭，科技公司开始广泛使用合成数据来训练模型，例如自动驾驶系统使用计算机生成的汽车图像，欺诈检测系统使用虚构交易记录。萨顿认为，这种趋势蕴含着巨大风险，甚至可能成为行业下一个重要教训。

萨顿以人类行为为例指出，我们不可能为其他人的思想制造合成数据。他更推崇通过智能体与真实环境互动获得的体验数据，认为这类数据能捕捉现实中的摩擦、磨损等变量。任何对世界的模拟都只是管中窥豹，无法取代真实交互。

科技巨头似乎也意识到真实数据的价值。OpenAI正在公开寻找大规模专有数据集，谷歌近期同意支付1000万美元收购已破产的Spirit Airlines内部数据。这些动作显示，专有真实数据在AI训练中的价值正在不断攀升。

萨顿的理念已转化为实际创业行动。上个月，他与前学生Khurram Javed共同创办了Oak Lab，致力于开发能持续从自身经历学习的AI智能体，而非依赖预先整理的大规模数据集。目前该初创公司尚未公布融资信息。

这场关于数据来源的辩论，可能深刻影响AI未来的发展路径。如果萨顿的判断正确，行业需要重新平衡合成数据与真实数据的比例，并投入更多资源获取高质量真实数据。对于自动驾驶、机器人等关键领域，这一选择尤其至关重要。