Nút thắt tỷ đô của AI: Dữ liệu chất lượng, không phải mô hình | Ý kiến

AI có thể sẽ trở thành ngành công nghiệp nghìn tỷ đô tiếp theo, nhưng nó đang âm thầm tiến gần đến một điểm nghẽn lớn. Trong khi mọi người đều chạy đua để xây dựng các mô hình lớn hơn và mạnh mẽ hơn, một vấn đề đang lơ lửng lại phần lớn chưa được giải quyết: chúng ta có thể sẽ cạn kiệt dữ liệu huấn luyện có thể sử dụng chỉ trong vài năm tới.

Theo EPOCH AI, kích thước của các bộ dữ liệu huấn luyện cho các mô hình ngôn ngữ lớn đã tăng trưởng với tốc độ khoảng 3,7 lần mỗi năm kể từ năm 2010. Với tốc độ đó, chúng ta có thể sẽ cạn kiệt nguồn dữ liệu huấn luyện công khai, chất lượng cao trên thế giới vào khoảng từ năm 2026 đến 2032.

Ngay cả trước khi chúng ta chạm đến giới hạn đó, chi phí thu thập và xử lý dữ liệu đã được gắn nhãn đang tăng vọt. Thị trường thu thập và gắn nhãn dữ liệu được định giá 3,77 tỷ USD vào năm 2024 và dự kiến sẽ tăng vọt lên 17,10 tỷ USD vào năm 2030.

Sự tăng trưởng bùng nổ như vậy cho thấy một cơ hội rõ ràng, nhưng cũng là một điểm nghẽn rõ ràng. Các mô hình AI chỉ tốt khi dữ liệu huấn luyện của chúng tốt. Nếu không có một nguồn cung cấp dữ liệu mới, đa dạng và không thiên lệch có thể mở rộng, hiệu suất của các mô hình này sẽ đạt đến giới hạn và tính hữu ích của chúng sẽ bắt đầu suy giảm.

Vậy câu hỏi thực sự không phải là ai sẽ xây dựng mô hình AI vĩ đại tiếp theo. Mà là ai sở hữu dữ liệu và dữ liệu đó sẽ đến từ đâu?

Vấn đề dữ liệu của AI lớn hơn những gì bạn nghĩ

Trong thập kỷ qua, đổi mới AI chủ yếu dựa vào các bộ dữ liệu công khai: Wikipedia, Common Crawl, Reddit, kho mã nguồn mở và nhiều hơn nữa. Nhưng nguồn này đang cạn kiệt rất nhanh. Khi các công ty siết chặt quyền truy cập vào dữ liệu của họ và các vấn đề bản quyền ngày càng chồng chất, các công ty AI buộc phải suy nghĩ lại về cách tiếp cận của mình. Chính phủ cũng đang ban hành các quy định để hạn chế việc thu thập dữ liệu, và dư luận công chúng cũng đang chuyển sang phản đối ý tưởng huấn luyện các mô hình trị giá hàng tỷ đô la trên nội dung do người dùng tạo ra mà không được trả công.

Dữ liệu tổng hợp là một giải pháp được đề xuất, nhưng nó là một lựa chọn thay thế đầy rủi ro. Các mô hình được huấn luyện trên dữ liệu do mô hình tạo ra có thể dẫn đến vòng lặp phản hồi, ảo giác và hiệu suất suy giảm theo thời gian. Cũng có vấn đề về chất lượng: dữ liệu tổng hợp thường thiếu sự lộn xộn và sắc thái của dữ liệu thực tế, điều mà các hệ thống AI thực sự cần để hoạt động tốt trong các tình huống thực tế.

Điều đó khiến dữ liệu thực tế, do con người tạo ra trở thành tiêu chuẩn vàng, và nó ngày càng khó tiếp cận hơn. Hầu hết các nền tảng lớn thu thập dữ liệu con người, như Meta, Google và X (trước đây là Twitter), đều là các "khu vườn có tường rào". Quyền truy cập bị hạn chế, thương mại hóa hoặc bị cấm hoàn toàn. Tệ hơn, các bộ dữ liệu của họ thường thiên về các khu vực, ngôn ngữ và nhân khẩu học cụ thể, dẫn đến các mô hình thiên lệch và thất bại trong các trường hợp sử dụng thực tế đa dạng.

Tóm lại, ngành công nghiệp AI sắp phải đối mặt với một thực tế mà họ đã lâu bỏ qua: xây dựng một LLM khổng lồ chỉ là một nửa cuộc chiến. Nuôi dưỡng nó là nửa còn lại.

Tại sao điều này thực sự quan trọng

Có hai phần trong chuỗi giá trị AI: tạo mô hình và thu thập dữ liệu. Trong năm năm qua, gần như tất cả vốn và sự chú ý đều đổ vào việc tạo mô hình. Nhưng khi chúng ta đẩy giới hạn về kích thước mô hình, sự chú ý cuối cùng cũng chuyển sang nửa còn lại của phương trình.

Nếu các mô hình đang trở nên phổ biến, với các lựa chọn mã nguồn mở, phiên bản nhỏ gọn hơn và thiết kế tiết kiệm phần cứng, thì yếu tố khác biệt thực sự sẽ là dữ liệu. Các bộ dữ liệu độc đáo, chất lượng cao sẽ là nhiên liệu quyết định mô hình nào vượt trội hơn.

Chúng cũng mang lại các hình thức tạo giá trị mới. Người đóng góp dữ liệu trở thành các bên liên quan. Các nhà xây dựng có quyền truy cập vào dữ liệu mới hơn và năng động hơn. Và các doanh nghiệp có thể huấn luyện các mô hình phù hợp hơn với đối tượng mục tiêu của họ.

Tương lai của AI thuộc về các nhà cung cấp dữ liệu

Chúng ta đang bước vào một kỷ nguyên mới của AI, nơi ai kiểm soát dữ liệu sẽ nắm giữ quyền lực thực sự. Khi cuộc cạnh tranh để huấn luyện các mô hình tốt hơn, thông minh hơn ngày càng nóng lên, rào cản lớn nhất sẽ không còn là tính toán. Đó sẽ là việc tìm nguồn dữ liệu thực tế, hữu ích và hợp pháp để sử dụng.

Bây giờ câu hỏi không còn là liệu AI có thể mở rộng quy mô hay không, mà là ai sẽ cung cấp nhiên liệu cho sự mở rộng đó. Không chỉ là các nhà khoa học dữ liệu. Đó sẽ là những người quản lý dữ liệu, nhà tổng hợp, người đóng góp và các nền tảng kết nối họ lại với nhau. Đó chính là biên giới tiếp theo.

Vì vậy, lần tới khi bạn nghe về một biên giới mới trong trí tuệ nhân tạo, đừng hỏi ai đã xây dựng mô hình. Hãy hỏi ai đã huấn luyện nó, và dữ liệu đến từ đâu. Bởi vì cuối cùng, tương lai của AI không chỉ nằm ở kiến trúc. Nó nằm ở đầu vào.