天云数据CEO雷涛：大模型后训练时代，AI要生产数据训练自己

  今年1月，人工智能公司xAI创始人埃隆·马斯克在一场直播中表示，人工智能公司已经耗尽了用于训练模型的数据，并“耗尽”了人类的全部知识。

  数据是人工智能大模型的基础，模型通过对海量数据的分析提炼形成智能。现在，人类生产数据的速度，远远跟不上人工智能学习的步伐。没有优质数据的支撑，大模型该如何训练？

  服务于真实的数字生产资料

  “今天的数据已经供给不了明天的AI，今天的AI要生产明天需要的数据。”近日，在由北京市科协、北京科技记协组织的“首都科技人”宣传活动中，天云数据CEO、第九届吴文俊人工智能科学技术发明奖获得者雷涛分享了他对“合成数据”这一数字生产资料的看法。

  天云数据CEO、第九届吴文俊人工智能科学技术发明奖获得者雷涛。受访者供图

  雷涛表示，硬件的增长遵循摩尔定律，而数据的增长则呈现指数型态势。我们如今所处的时代，已然是机器生产数据的时代，合成数据则是未来算力的主要解决方案。

  但在实际应用中，合成数据是否会因为是“人造”的，而存在“假数据”的嫌疑，无法达到与真实数据同等的效用呢？

  雷涛介绍，合成数据不是假数据，它是在有限的真实数据的基础上，用真实的逻辑生成的结果数据。这些结果数据服务于真实的生产过程。

  他以完成能源行业的安全规范为例进行说明。过去编写安全规范需要专业人员，且要同时消化多种语言的操作手册；现在把所有操作手册给到计算机，计算机按照工艺流程的思维链学习并抽取内容，就能够生成安全规范。这个安全规范虽是“合成”的，却完全可以应用于实际的生产过程，这充分体现了合成数据在工业生产场景中的价值。

  由简“化”繁的生成逻辑

  那么，合成数据究竟如何生成？雷涛打了个比方，往一瓶水中滴一滴墨水，墨水会从相对简单的状态逐渐扩散，变得复杂、分散。通过逆扩散算法识别墨水扩散规律，就能模拟出不同的墨水扩散场景。合成数据也是利用类似原理，抓住核心规律，从简单数据出发，模拟数据的复杂变化过程，创造出丰富多样的数据。

  “人类的抽象逻辑留给我们的数据资产有限，都是信息化进程中沉淀下来的结构化概要信息。而要把这些概要信息，转变为能用于理解和处理复杂世界中复杂系统的内容，就需要大量合成数据。”雷涛说。

  受访者供图

  另外，在某些特定领域或场景下，获取真实数据存在困难。以自动驾驶领域为例，其需要百万级别的路况数据，涵盖模拟极端灾难天气、极端恶性交通事故（如波音747在高速公路上迎面迫降）、复杂路况（如路面破损、立交桥断桥）等情况的数据。这些数据难以从现实世界获取，而合成数据可按需生成，填补数据缺口，降低对有限真实数据的依赖。

  自我驱动的“数据飞轮”

  雷涛认为，人工智能已经从预训练时代走向了后训练时代。在后训练时代，大模型构建起从数据生成到模型强化的正向循环机制至关重要。就像移动互联网时代搜推系统的“数据飞轮”效应——通过应用数据优化算法，算法又反哺应用，人工智能大模型也应形成“数据飞轮”，借助AI生产训练数据实现自我训练。

  已经有数家活跃于人工智能领域的企业，正在使用合成数据训练大模型。Facebook和Instagram的所有者Meta已经使用合成数据来微调其最大的LlamaAI模型，而微软也将AI制作的内容用于其Phi-4模型。谷歌和ChatGPT背后的公司OpenAI也在其AI工作中使用了合成数据。

  最近如火如荼的Deepseek，也在训练中使用到了合成数据。根据DeepSeek-V3技术文档，对于数学、代码竞赛、逻辑谜题这类推理相关数据，DeepSeek-V3先借助已训练好的DeepSeek-R1模型生成数据，再用融合了特定优化方法（监督微调与强化学习）的专业模型。

  为应对数据“饥荒”，“自给自足”的合成数据正在成为人工智能的新燃料。雷涛以2月19日发布的斯坦福生物学模型Evo2为例，Evo2能解构生物数据，还能通过训练，重构数据维度，在人工智能与数据的深度融合中，形成“复利效应”：“现在，AI产业与数据已步入深度协同阶段，构成产业演进的底层逻辑：AI建设数据资产，数据飞轮加速AI产业发展，二者相互依存、共同发展，促使产业格局发生质变。”（记者 李欣哲）