都說醫(yī)療、金融等專業(yè)領(lǐng)域的語料數(shù)據(jù)稀缺，這會制約AI大模型的發(fā)展——那能不能讓兩個ChatGPT對聊，聊出點數(shù)據(jù)出來？

(相關(guān)資料圖)

近日，天橋腦科學(xué)研究院（TCCI）主辦了AI For Brain Science系列會議第二期—— “面向AI模型的數(shù)據(jù)生成方法及其對醫(yī)療領(lǐng)域的啟示”。

在上海交通大學(xué)計算機科學(xué)與工程系副教授吳夢玥主持下，三名青年科學(xué)家分享了關(guān)于破解大規(guī)模語言模型數(shù)據(jù)瓶頸的看法和實踐。

快速構(gòu)建專屬GPT

國際上一項研究評估指出，ChatGPT回答癌癥相關(guān)問題的水平已經(jīng)與美國國家癌癥研究所的回答持平。不過，ChatGPT只能通過受限的應(yīng)用程序編程接口訪問；并且涉及到個人醫(yī)療，人們也普遍不希望將自己的隱私信息分享給第三方公司。

針對這樣的難題，加州大學(xué)圣迭戈分校博士生許燦文和中山大學(xué)團隊的合作者提出了一種能自動生成高質(zhì)量多輪聊天語料庫的流程，利用ChatGPT與其自身進行對話，生成對話數(shù)據(jù)，再基于產(chǎn)生的對話數(shù)據(jù)調(diào)優(yōu)、增強開源的大型語言模型。他們從而獲得了高質(zhì)量的專屬模型“白澤”，并在數(shù)天前推出了2.0版本。這個名字的靈感來源是中國古代傳說中的一種神獸，“能言語，達知萬物之情”。

許燦文介紹，“白澤”在這個過程中并沒有學(xué)會新的知識，只是提取了大模型中的特定數(shù)據(jù)，并且保留了ChatGPT “分點作答”“拒絕回答”等語言能力。這在專業(yè)上被比喻為一種“蒸餾”。進一步地，他們提出了反饋自蒸餾的概念，即利用ChatGPT當(dāng)教官，對“白澤”回答的結(jié)果進行評分排序，從而進一步提高了“白澤”模型的性能。

許燦文認為，“白澤”通過自動化的知識蒸餾，在特定領(lǐng)域達到ChatGPT的能力，成本卻遠遠低于ChatGPT，兼具經(jīng)濟意義和實用意義。在醫(yī)療領(lǐng)域，本地化或私有化建構(gòu)的模型將有利于消除隱私顧慮，輔助患者診療。

大模型優(yōu)化醫(yī)療文本挖掘

萊斯大學(xué)博士生唐瑞祥和合作者同樣基于大模型提出了一種新的數(shù)據(jù)生成策略，并在命名實體識別、關(guān)系提取等經(jīng)典的醫(yī)療文本挖掘任務(wù)上取得了更佳表現(xiàn)。

ChatGPT具有創(chuàng)造性的寫作能力，在醫(yī)療、金融、法律等標(biāo)注數(shù)據(jù)很少的領(lǐng)域以及知識密集型領(lǐng)域表現(xiàn)出色。然而，具體到醫(yī)療文本挖掘，他們發(fā)現(xiàn)將ChatGPT直接應(yīng)用大型模型處理醫(yī)療文本的下游任務(wù)，表現(xiàn)并不總是優(yōu)秀，也可能引發(fā)隱私問題。

唐瑞祥等提出了一種新策略：利用大型模型生成大量醫(yī)療數(shù)據(jù)，再通過小型模型對這些數(shù)據(jù)進行訓(xùn)練。實驗結(jié)果顯示，相較于直接利用大型模型執(zhí)行下游任務(wù)，這一新策略能夠取得更出色的效果，同時因為模型數(shù)據(jù)在本地，也大幅降低了潛在的隱私風(fēng)險。

他們進一步指出，隨著開源大模型數(shù)量的增加和大模型能力的提升，其產(chǎn)生的文本數(shù)據(jù)與人類產(chǎn)生的文本數(shù)據(jù)的差別將越來越小，發(fā)展檢測二者差別的技術(shù)手段將是一項富有挑戰(zhàn)性的工作。現(xiàn)有的兩種檢測手段，無論是黑盒檢測——直接比較大模型生成的文本數(shù)據(jù)與人類生成的文本數(shù)據(jù)（比如比較高頻詞分布），還是白盒檢測——開發(fā)者在生成文本上做標(biāo)簽，在未來都可能失效。能否有效地檢測出數(shù)據(jù)是不是GPT生成的，將影響到廣大用戶對大模型AI的信任程度。

大模型時代數(shù)據(jù)生成不一樣

從歷史演變的角度來看，在沒有GPT的時代，科學(xué)家們?nèi)绾谓鉀Q數(shù)據(jù)稀缺難題？大模型又帶來了哪些新趨勢？

上海交通大學(xué)博士生曹瑞升總結(jié)了數(shù)據(jù)生成在大模型時代的幾大新趨勢：首先是構(gòu)建更加通用的模型，以確保其能夠應(yīng)用于多樣化的任務(wù)——這意味著模型需要具備廣泛的適應(yīng)性和泛化能力；其次是從特定任務(wù)出發(fā)，進一步精細化地處理，例如在醫(yī)療領(lǐng)域，甚至可以針對特定類型的抑郁癥進行專業(yè)化的任務(wù)處理，提供更加精準(zhǔn)和個性化的解決方案；最后，數(shù)據(jù)生成和模型訓(xùn)練的過程將從分離走向融合，而為了保證數(shù)據(jù)質(zhì)量的硬性過濾也將逐漸被軟性控制所取代。

“數(shù)據(jù)生成研究與應(yīng)用的發(fā)展，為大模型AI走向各個專業(yè)領(lǐng)域，尤其是醫(yī)療領(lǐng)域提供廣闊的可能性。”曹瑞升說。

記者獲悉，TCCI致力于支持全球范圍內(nèi)的腦科學(xué)交流。AI For Brain Science系列會議致力于促進AI與腦科學(xué)研究人員的討論合作，將持續(xù)聚焦領(lǐng)域內(nèi)的數(shù)據(jù)瓶頸和關(guān)鍵痛點，促進前沿AI技術(shù)在腦科學(xué)領(lǐng)域發(fā)揮更大的價值。

新民晚報記者 郜陽

關(guān)鍵詞