本年1月，天云涛人工智能公司xAI创始人埃隆·马斯克在一场直播中表明，数据人工智能公司现已耗尽了用于练习模型的模型数据，并“耗尽”了人类的后练悉数常识。

  数据是习年习自人工智能大模型的根底，模型经过对海量数据的出产数剖析提炼构成智能。现在，据练己人类出产数据的天云涛速度，远远跟不上人工智能学习的数据脚步。没有优质数据的模型支撑，大模型该怎么练习？后练

  服务于实在的数字出产资料。

  “今日的习年习自数据现已供应不了明日的AI，今日的出产数AI要出产明日需求的数据。”近来，据练己在由北京市科协、天云涛北京科技记协安排的“首都科技人”宣扬活动中，天云数据CEO、第九届吴文俊人工智能科学技能发明奖获得者雷涛共享了他对“组成数据”这一数字出产资料的观点。

 。

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

  雷涛表明，硬件的增加遵从摩尔定律，而数据的增加则出现指数型态势。咱们现在所在的年代，已然是机器出产数据的年代，组成数据则是未来算力的首要解决方案。

  但在实践运用中，组成数据是否会由于是“人工”的，而存在“假数据”的嫌疑，无法到达与实在数据平等的功效呢？

  雷涛介绍，组成数据不是假数据，它是在有限的实在数据的根底上，用实在的逻辑生成的成果数据。这些成果数据服务于实在的出产进程。

  他以完结能源行业的安全标准为例进行阐明。曩昔编写安全标准需求专业人员，且要一起消化多种语言的操作手册；现在把一切操作手册给到计算机，计算机依照工艺流程的思想链学习并抽取内容，就可以生成安全标准。这个安全标准虽是“组成”的，却完全可以运用于实践的出产进程，这充分体现了组成数据在工业出产场景中的价值。

 。 由简“化”繁的生成逻辑。

  那么，组成数据终究怎么生成？雷涛打了个比如，往一瓶水中滴一滴墨水，墨水会从相对简略的状况逐步涣散，变得杂乱、涣散。经过逆涣散算法辨认墨水涣散规则，就能模仿出不同的墨水涣散场景。组成数据也是运用相似原理，捉住中心规则，从简略数据动身，模仿数据的杂乱改变进程，创造出丰厚多样的数据。

  “人类的笼统逻辑留给咱们的数据财物有限，都是信息化进程中沉积下来的结构化概要信息。而要把这些概要信息，转变为能用于了解和处理杂乱国际中杂乱体系的内容，就需求很多组成数据。”雷涛说。

 。

  受访者供图。

  别的，在某些特定范畴或场景下，获取实在数据存在困难。以自动驾驶范畴为例，其需求百万等级的路况数据，包括模仿极点灾祸气候、极点恶性交通事故（如波音747在高速公路上迎面迫降）、杂乱路况（如路面破损、立交桥断桥）等状况的数据。这些数据难以从实际国际获取，而组成数据可按需生成，添补数据缺口，下降对有限实在数据的依靠。

 。 自我驱动的“数据飞轮”。

  雷涛以为，人工智能现已从预练习年代走向了后练习年代。在后练习年代，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。就像移动互联网年代搜推体系的“数据飞轮”效应——经过运用数据优化算法，算法又反哺运用，人工智能大模型也应构成“数据飞轮”，凭借AI出产练习数据完成自我练习。

  现已稀有家活泼于人工智能范畴的企业，正在运用组成数据练习大模型。Facebook和Instagram的一切者Meta现已运用组成数据来微调其最大的LlamaAI模型，而微软也将AI制造的内容用于其Phi-4模型。谷歌和ChatGPT背面的公司OpenAI也在其AI作业中运用了组成数据。

  最近如火如荼的Deepseek，也在练习中运用到了组成数据。依据DeepSeek-V3技能文档，关于数学、代码比赛、逻辑谜题这类推理相关数据，DeepSeek-V3先凭借已练习好的DeepSeek-R1模型生成数据，再用交融了特定优化办法（监督微调与强化学习）的专业模型。

  为应对数据“饥馑”，“自给自足”的组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，还能经过练习，重构数据维度，在人工智能与数据的深度交融中，构成“复利效应”：“现在，AI工业与数据已步入深度协同阶段，构成工业演进的底层逻辑：AI建造数据财物，数据飞轮加快AI工业开展，二者相互依存、共同开展，促进工业格式产生突变。”（记者 李欣哲）。