自從 ChatGPT 橫空出世后，一石激起千層浪，人工智能也正在從感知理解走向生成創(chuàng)造，這是一個關(guān)鍵里程碑。生成式大模型完成了從0到1的飛躍，并且已成為未來發(fā)展趨勢，推動AI邁向通用人工智能。

(資料圖片)

在ChatGPT發(fā)布后的短短4個月時間里，已經(jīng)有至少30個國內(nèi)研發(fā)機構(gòu)與企業(yè)紛紛推出自己品牌的大模型與相關(guān)產(chǎn)品。例如百度的“文心一言”、阿里的“通義千問”、科大訊飛(002230)的“星火認知大模型”、京東的“言犀產(chǎn)業(yè)大模型”等等。

但是2023年4月，馬斯克突然與1000多名人工智能專家和行業(yè)高管在公開信中呼吁：“ChatGPT等AI研究室需暫停研發(fā)6個月！”給出的理由是“只有當我們確信它們的影響是積極的，并且它們的風險是可控的時候，才能開發(fā)更強大的人工智能系統(tǒng)。”

聚焦大模型的“隱患”

事實上，對大模型的隱憂還不僅僅限于風險不可控，一項來自 Epoch AI Research 團隊的研究拋出了一個殘酷的現(xiàn)實：目前，公域中高質(zhì)量的語言數(shù)據(jù)存量將在 2026 年耗盡，低質(zhì)量的語言數(shù)據(jù)和圖像數(shù)據(jù)的存量也將在未來20年中逐步耗盡。這意味著，如果數(shù)據(jù)效率沒有顯著提高或有新的數(shù)據(jù)源可用，那么到 2040 年，模型的規(guī)模增長將放緩。而如何合法合規(guī)地利用手機等終端設(shè)備上的私域數(shù)據(jù)，將是解決大模型訓練數(shù)據(jù)不足問題的關(guān)鍵。

即便是現(xiàn)在的大模型還沒涉及私域數(shù)據(jù)領(lǐng)域，但有相關(guān)政策法規(guī)已經(jīng)開始進行規(guī)范。 4月11日，國家網(wǎng)信辦就《生成式人工智能服務(wù)管理辦法（征求意見稿）》公開征求意見，在責任和義務(wù)方面，尤為強調(diào)數(shù)據(jù)合法性與對個人數(shù)據(jù)和信息的保護。其中提到：提供者應(yīng)當對生成式人工智能產(chǎn)品的預訓練數(shù)據(jù)、優(yōu)化訓練數(shù)據(jù)來源的合法性負責；禁止非法獲取、披露、利用個人信息和隱私、商業(yè)秘密。

由此可見，數(shù)據(jù)隱私之憂已經(jīng)成為全行業(yè)的共識。而除了數(shù)據(jù)隱私的憂慮之外，由于大模型通常需要消耗大量的算力和數(shù)據(jù)，也就是說只有少數(shù)大公司擁有足夠的資源來訓練和部署這些模型。這可能導致市場上的壟斷現(xiàn)象，限制了中小企業(yè)參與機器學習和AI應(yīng)用領(lǐng)域的機會，導致壟斷和不公平的產(chǎn)生。在云服務(wù)器上運行的大模型還會面臨安全攻擊風險。惡意攻擊者很可能通過攻擊云服務(wù)器來竊取模型及其數(shù)據(jù)，或者反向工程模型參數(shù)以訓練新模型。

數(shù)據(jù)隱私泄露、安全漏洞、市場壟斷、不公平性、公域數(shù)據(jù)即將耗盡等等大模型發(fā)展所面臨的“隱患”該如何解決？

分散的小模型協(xié)作會成為大模型未來發(fā)展趨勢嗎？

4月18日，OpenAI CEO Sam Altman在討論大模型發(fā)展的趨勢的時候認為，讓模型變得更大將不會進一步帶來新進展。“我認為我們正處于將模型做大這一時代的盡頭。我們將以其他方式使它們變得更好。”未來模型參數(shù)應(yīng)該向更小的方向發(fā)展，或者以多個小模型協(xié)作的方式工作。

“讓大模型變小”已經(jīng)成為眾多研究者非常感興趣的一條路，大家先后做了很多嘗試，先是 Meta 開源了 LLaMA，讓學界和小公司可以訓練自己的模型。隨后斯坦福研究者啟動了 Lamini，為每個開發(fā)者提供了從 GPT-3 到 ChatGPT 的快速調(diào)優(yōu)方案。

最近由 TVM、MXNET、XGBoost 作者，CMU 助理教授，OctoML CTO 陳天奇等多位研究者共同開發(fā)的開源新項目MLC LLM面世，希望實現(xiàn)在個人手機和電腦等各類設(shè)備平臺上編譯運行大語言模型。

今年4月，隱私計算聯(lián)邦學習開源平臺FATE (Federated AI Technology Enabler）正式發(fā)布聯(lián)邦大模型FATE-LLM功能模塊，同樣是“小模型協(xié)作”的思路，F(xiàn)ATE-LLM則是通過將聯(lián)邦學習和大模型結(jié)合，在各參與方的敏感數(shù)據(jù)不出本地域的前提下，根據(jù)各方實際數(shù)據(jù)量進行算力投入，聯(lián)合進行大模型訓練。

基于此技術(shù)方案，多個機構(gòu)可以通過FATE內(nèi)置的預訓練模型進行橫向聯(lián)邦，利用各自隱私數(shù)據(jù)進行聯(lián)邦大模型微調(diào)，從而提升自身大模型應(yīng)用的效果。聯(lián)邦大模型不僅主要解決的是大模型訓練階段的隱私保護問題，未來還將研究在使用大模型的過程中如何保護用戶的隱私。

這種用小模型聯(lián)動大模型的方式，也很好地詮釋了小模型協(xié)作的精髓。聯(lián)邦學習作為一種分布式機器學習新范式，其“數(shù)據(jù)不動模型動，數(shù)據(jù)可用不可見”的特點使得各參與方可以在保護各自數(shù)據(jù)安全與用戶隱私的前提下，進行AI協(xié)作，打破數(shù)據(jù)孤島。

也正是因為聯(lián)邦學習的這一屬性，為未來大模型的發(fā)展提供新的思路：聯(lián)邦學習與大模型結(jié)合，構(gòu)建安全合規(guī)的數(shù)據(jù)生態(tài)大陸。

近期聯(lián)邦大模型對現(xiàn)有大模型的支持已經(jīng)在實操層面上有了很多新進展，F(xiàn)ATE開源社區(qū)TSC Maintainer、開發(fā)專委會核心成員范濤告訴我們：“目前的FATE-LLM可以提供對主流大模型的支持，4月發(fā)布了聯(lián)邦大模型FATE-LLM對GPT-2等大模型的支持，5月發(fā)布了對清華GLM大模型的支持。”

聯(lián)邦大模型，也有需要面對的“原生困境”

和大模型面臨的隱憂類似，即便是以大化小，聯(lián)邦大模型更根本地解決了大模型面臨的一些問題，但是聯(lián)邦大模型依然有著自己要解決的“原生困境”。

公平性是否能夠得到保障？數(shù)據(jù)隱私性是否能夠有效保護？規(guī)模大小不一的異構(gòu)模型集如何統(tǒng)一調(diào)配訓練？這些也給聯(lián)邦大模型的研究者們提出了難題。從2018年開始，香港科技大學講席教授楊強和其團隊始終致力于聯(lián)邦學習的研究，如今，面對聯(lián)邦大模型可能遇到的技術(shù)難題，楊強教授認為，想要在多個維度實現(xiàn)“既要，又要”，那么就必須在“平衡”上做文章。

面對聯(lián)邦大模型是如何通過大大小小的分布式模型協(xié)作來解決私域數(shù)據(jù)的安全性問題，楊強教授認為：“未來，人工智能模型一定會成為我們貼身的人工智能助理，這就要求人工智能對個人的需求有更強的適配能力，更好的理解能力，這個時候，就會用到私域數(shù)據(jù)，包括個人的生理的數(shù)據(jù)，物聯(lián)網(wǎng)數(shù)據(jù)以及一些跟個人非常強相關(guān)的數(shù)據(jù)。使用這些數(shù)據(jù)，一方面會讓AI給我們提供更貼身的、更個性化的服務(wù)，但另一方面在用這些數(shù)據(jù)的時候也面臨隱私保護的需求。聯(lián)邦大模型針對這個問題提出的解決方案可以做到很好的平衡：一方面數(shù)據(jù)是分布的，另一方面，我們的這些大大小小的模型有的是分布式的，有的是個人化的、定制化的，他們一起來對聯(lián)邦大模型總體產(chǎn)生性能的提升、效率的提升以及安全隱私的保護。這樣，我們一方面能夠享受到大數(shù)據(jù)帶來的好處，另一方面我們還是能夠安心的，放心地使用這些模型，不至于因為使用這些模型就泄露了不該泄露的數(shù)據(jù)。”

然而，即便是“為解決數(shù)據(jù)隱私問題而生”的聯(lián)邦大模型，自身依然有要面對的安全性難題。聯(lián)邦學習中數(shù)據(jù)和模型的安全性到底該如何保障呢？微眾銀行人工智能首席科學家范力欣告訴我們：“我們針對竊取數(shù)據(jù)和模型，以及破壞數(shù)據(jù)和模型兩種安全隱患已經(jīng)有相應(yīng)的防御措施。針對數(shù)據(jù)竊取，我們通過加密數(shù)據(jù)來進行防御；針對模型竊取則是通過水印機制來進行制約。目前我們已經(jīng)有一套技術(shù)方案能夠支撐和有效的管理、追蹤整個模型的全生命周期的合法使用，這同樣對模型的知識產(chǎn)權(quán)進行了很好的保護。另外，針對數(shù)據(jù)攻擊、數(shù)據(jù)投毒這一部分行為，我們通過對模型的鎖定，對參數(shù)進行鎖定，對數(shù)據(jù)樣本進行鎖定的方式去防御數(shù)據(jù)投毒。”

但在諸多的大模型發(fā)展的隱憂中，不僅僅有私域數(shù)據(jù)的隱私保護問題，還有樣本分布不均衡導致模型本身的公平性問題，這該如何解決？ 微眾銀行人工智能首席科學家范力欣告訴我們：“樣本分布不均衡導致模型不公平性的問題其實早就提出來，在大模型之前或者聯(lián)邦學習之前已經(jīng)提出來。這個問題的基本的解決方案是有整體思路的：在訓練模型時我們不僅僅是提升模型性能，而是對公平性、可解釋性、魯棒性等一系列跟倫理相關(guān)的目標都作為優(yōu)化的約束條件或者優(yōu)化的多目標一起來參與學習訓練。”

這種思路在理論上提出了“多目標聯(lián)邦學習優(yōu)化”的“可信聯(lián)邦學習”技術(shù)框架。在實際應(yīng)用中，需要用相應(yīng)的算法去一一衡量這些不同目標之間的平衡。

范力欣說：“我們模型性能要好，這是一個基本要求，但同時我們要保證它的公平性、可解釋性要做到可度量的，并且跟模型性能一起來進行優(yōu)化。比如我們聯(lián)合多家機構(gòu)承擔的國家科技部科技創(chuàng)新2030-‘新一代人工智能’重大項目里面就應(yīng)用了這樣的解決方案，效果顯著。再比如在與北航童永昕教授團隊合作的聯(lián)邦網(wǎng)約車調(diào)度中，通過設(shè)計合理的激勵機制，使得司機完成任務(wù)的積極性大為提高，同時司機間的收入分布也更加均衡。”

聯(lián)邦大模型從誕生開始就備受矚目，其未來的應(yīng)用也被業(yè)界普遍看好，聯(lián)邦大模型未來將有機會重塑金融、零售、工業(yè)等多行業(yè)的數(shù)字化形態(tài)。相關(guān)應(yīng)用場景包括在金融領(lǐng)域的智能客服、內(nèi)容風控、金融資訊情感分析、文本意圖識別、營銷場景智能創(chuàng)意生成和優(yōu)化等。盡管機構(gòu)自身擁有的數(shù)據(jù)量和算力可能不足，卻仍然能夠通過發(fā)揮大模型的優(yōu)勢，安全合規(guī)地提升客服、營銷、風控的效果。

人工智能正在經(jīng)歷從計算、感知到認知的發(fā)展階段。聯(lián)邦學習、可信聯(lián)邦學習以及聯(lián)邦學習 大模型，在保證安全、高效的要求下，進一步滿足了可解釋性和普惠性等人工智能倫理的核心命題，將看似為難的“既要，又要”，變成了可以將之平衡的解決方案，這也將為人工智能生態(tài)的良性、可持續(xù)發(fā)展提供助力。

（免責聲明：此文內(nèi)容為廣告，相關(guān)素材由廣告主提供，廣告主對本廣告內(nèi)容的真實性負責。本網(wǎng)發(fā)布目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點和對其真實性負責，請自行核實相關(guān)內(nèi)容。廣告內(nèi)容僅供讀者參考。）

關(guān)鍵詞：