警惕AIGC數(shù)據(jù)污染“稀釋”人類原創(chuàng)

半月談評論員 羅冠

互聯(lián)網(wǎng)的普及使得數(shù)據(jù)的生成、傳播和獲取變得無比便捷，網(wǎng)絡上的數(shù)據(jù)量呈指數(shù)增長，數(shù)據(jù)的規(guī)模從TB(千兆字節(jié))增加到PB(拍字節(jié))甚至EB(艾字節(jié))，數(shù)據(jù)的種類和來源也變得更加多樣化。數(shù)據(jù)的爆發(fā)式增長有力推動了以深度學習為代表的人工智能技術的突破性進展，反過來又孕育了人工智能生成內(nèi)容(AIGC)這一新的數(shù)據(jù)生產(chǎn)方式和數(shù)據(jù)要素形態(tài)。

生成式人工智能技術的迅速發(fā)展，為人們的學習生活工作帶來了諸多便利，也極大地促進了內(nèi)容創(chuàng)作行業(yè)的發(fā)展。生成式人工智能是一種能夠自動產(chǎn)生新的內(nèi)容、創(chuàng)造性思考的人工智能方法。這種新型的數(shù)據(jù)生產(chǎn)方式打破了傳統(tǒng)創(chuàng)作的時間和空間限制，使內(nèi)容生產(chǎn)更加高效、靈活?？梢哉f，AIGC引發(fā)了數(shù)據(jù)要素形態(tài)的深刻變革，推動數(shù)據(jù)從靜態(tài)資源向動態(tài)智能要素的轉(zhuǎn)變，為各行各業(yè)的數(shù)字化轉(zhuǎn)型和智能化升級提供了新的動力。

生成式人工智能的普及，使數(shù)據(jù)規(guī)模以摩爾定律的速度快速增加，“全球新產(chǎn)生的數(shù)據(jù)量每兩年翻一番”，互聯(lián)網(wǎng)上每日新增的圖片、語料等內(nèi)容中AI生成內(nèi)容的占比已經(jīng)遠遠超過了真實的、人類生產(chǎn)的內(nèi)容。隨之而來的是數(shù)據(jù)質(zhì)量和數(shù)據(jù)污染問題，諸如深度偽造、偏見和有害內(nèi)容生成、有效數(shù)據(jù)“稀釋”等。大量低質(zhì)量或不客觀的數(shù)據(jù)充斥其中，不僅對模型的訓練產(chǎn)生負面影響,甚至可能導致錯誤的決策和偏差。這種數(shù)據(jù)質(zhì)量問題，引發(fā)了人們對“數(shù)據(jù)污染”的擔憂。

對于機器學習而言，數(shù)據(jù)污染是指用于訓練的數(shù)據(jù)集中摻雜了低質(zhì)量的數(shù)據(jù)，主要體現(xiàn)在數(shù)據(jù)缺失、數(shù)據(jù)沖突、數(shù)據(jù)重復、數(shù)據(jù)過時和隱私數(shù)據(jù)泄露幾個方面。在生成式人工智能模型大行其道的當下，AIGC可能會加劇有效數(shù)據(jù)獲取的難度，進而造成全社會層面的數(shù)據(jù)污染，影響構建優(yōu)質(zhì)數(shù)據(jù)要素的進程。

——海量AIGC“沖淡”人類產(chǎn)生的原創(chuàng)數(shù)據(jù)。一篇關于插畫繪制網(wǎng)站Pixiv的研究指出，AI繪圖興起后，人類畫師的活躍度下降了4.3%。當AIGC生成的內(nèi)容開始主導信息生態(tài)時，具有獨創(chuàng)性的人類內(nèi)容可能被大量的人工智能生成內(nèi)容“稀釋”乃至“淹沒”。一篇來自《Nature》的研究指出，當大語言模型或圖片生成模型不斷地使用自身生成的數(shù)據(jù)進行迭代訓練時，會導致模型性能的快速退化，這種現(xiàn)象稱為“模型崩潰”。我們將越來越難以收集優(yōu)質(zhì)的原創(chuàng)性數(shù)據(jù)進行利用，長此以往或?qū)⑵茐膬?yōu)質(zhì)數(shù)據(jù)要素的構建。

——放大錯誤觀點及有害內(nèi)容，危害社會氛圍。生成式模型的訓練依賴于大量公開的網(wǎng)絡數(shù)據(jù)，而互聯(lián)網(wǎng)上的信息質(zhì)量良莠不齊，網(wǎng)友們的觀點通常帶有強烈的個人色彩。即使模型訓練時盡力清洗和過濾訓練數(shù)據(jù)，也很難完全避免這些有害內(nèi)容的滲透。訓練數(shù)據(jù)決定了模型的輸出，模型不會辨別哪些信息是正確的，哪些是有害的。如果訓練數(shù)據(jù)中含有偏見或錯誤信息，模型不僅會繼承這些信息，還可能通過生成新內(nèi)容的方式進一步放大這些問題。由于生成式人工智能模型可以高效地生成海量內(nèi)容，錯誤觀點和有害信息通過AIGC得以更廣泛、更快速地傳播，并且由于其逼真的表現(xiàn)形式，極易影響公眾的判斷，污染網(wǎng)絡數(shù)據(jù)導向。

——生成偽造虛假內(nèi)容，擾亂公共秩序。生成式人工智能可以根據(jù)人的指令生成不存在的內(nèi)容，極易被用于自動生成虛假新聞和謠言。深度偽造技術(DeepFake)正快速發(fā)展，圖片偽造、音頻合成和視頻換臉在生成式AI的幫助下變得輕而易舉，這些虛假內(nèi)容能夠以逼真的形式迅速傳播，帶來嚴重的社會影響。

——生成式人工智能與AIGC數(shù)據(jù)對優(yōu)質(zhì)數(shù)據(jù)生態(tài)造成影響。從全社會層面來看，倘若低質(zhì)量的生成內(nèi)容涌入公共數(shù)據(jù)源，將進一步污染全社會的數(shù)據(jù)來源。當數(shù)據(jù)源被大量低質(zhì)量生成內(nèi)容占據(jù)，數(shù)據(jù)生態(tài)將逐步崩潰，構建優(yōu)質(zhì)數(shù)據(jù)要素將無從談起。這不僅影響人工智能行業(yè)的發(fā)展，還會波及各個依賴數(shù)據(jù)要素進行生產(chǎn)活動的行業(yè)和領域，例如新聞、教育、公共安全等。

AIGC數(shù)據(jù)需要“清污”?，F(xiàn)存的隱私保護、知識產(chǎn)權和數(shù)據(jù)信息相關的法律與大數(shù)據(jù)時代已經(jīng)不匹配。面對互聯(lián)網(wǎng)上新增的海量原始數(shù)據(jù)，我們亟須構建完善的數(shù)據(jù)內(nèi)容維護、數(shù)據(jù)質(zhì)量管理和數(shù)據(jù)安全監(jiān)管體系。

聯(lián)合國大學關于AIGC數(shù)據(jù)利用與風險的一份調(diào)研報告中給出了一些建議：全面推進AIGC相關立法，從源頭防范數(shù)據(jù)污染問題;構建全面的AIGC數(shù)據(jù)質(zhì)量與安全評價體系，促進合成數(shù)據(jù)的合理利用;將AIGC數(shù)據(jù)管理納入全球AI治理合作，促成全球范圍內(nèi)全面解決合成數(shù)據(jù)帶來的風險;加快明確生成式人工智能倫理與隱私準則，增強生成式人工智能技術的透明性，防范有違全人類共同價值的AIGC內(nèi)容擴散，并解決用戶隱私和數(shù)據(jù)濫用等問題。

在尚未建立完善的數(shù)據(jù)污染管理體系之前，應對AIGC數(shù)據(jù)污染的有效方法是AIGC檢測技術。依托AIGC檢測技術，可以在構建數(shù)據(jù)集和設計模型結構的過程中篩選出真實的、公正的、有效的數(shù)據(jù)進行訓練，從而在新模型訓練的層面減少數(shù)據(jù)污染的影響，阻斷數(shù)據(jù)污染擴散。

從技術層面來看，我國已在諸如AI生成文本檢測、深度偽造圖片視頻檢測等方面取得了一定的研究成果。然而，現(xiàn)行AIGC檢測工具的泛化性能較差，檢測準確率并不穩(wěn)定，一旦受到特定的攻擊干擾，其檢測準確度會大幅下降。AIGC檢測方法仍然有很長的路要走。

AIGC數(shù)據(jù)的泛濫引發(fā)了人們對生成內(nèi)容的質(zhì)量、可靠性和可信度的擔憂。為了確保AIGC服務的可信性和可監(jiān)管性，應該綜合發(fā)展打造完善的AIGC水印技術，以便對AI生成的虛假信息、深度偽造視頻等具有社會危害性的數(shù)據(jù)進行溯源和問責。此外，不妨利用“數(shù)據(jù)稅”這一概念，旨在對上傳大量無效數(shù)據(jù)或敏感數(shù)據(jù)的個體征稅。

信息安全和隱私保護問題變得日益緊迫。在設計下一代生成式模型時應將安全設計根植于模型系統(tǒng)架構，而不是完成設計后再加入安全保障模塊，從而在更加根本的層面緩解因惡意攻擊或系統(tǒng)意外漏洞而帶來的隱私和數(shù)據(jù)安全威脅。

編輯：張曦