艾倫AI推出業(yè)界最大文本數(shù)據(jù)集，包含3萬億Tokens，超過Llama 2

迄今為止最大的開源文本數(shù)據(jù)集。編譯|香草
編輯|李水青
智東西8月21日消息，艾倫AI研究所（AI2）于8月19日在其官方博客發(fā)布用于訓練大型語言模型（LLM）的文本數(shù)據(jù)集Dolma，包含3萬億個Tokens（詞例），是迄今為止最大的開放文本數(shù)據(jù)集。

▲按子集劃分的Dolma數(shù)據(jù)屬性概覽

在AI競爭激烈的當下，大部分科技巨頭都傾向于保守自家大模型開發(fā)的機密。AI2在博客中稱，公司希望通過公開透明化其數(shù)據(jù)集及之后的大模型，幫助更多的研究者在此基礎上進一步進行研究和開發(fā)等工作。
01.
全透明構(gòu)建700億參數(shù)大模型，2024年推出

AI2由已故微軟聯(lián)合創(chuàng)始人兼慈善家保羅·艾倫（Paul Allen）于2014年成立，致力于開展高影響力的AI研究和工程，宗旨是“AI為人類共同利益服務”（AI for the common good）。2017年，AI2推出了孵化器項目AI2 Incubator，孵化出被百度全資收購的自然語言處理公司Kitt.ai和被蘋果收購的AI圖像識別公司Xnor.ai等。自2023年3月以來，AI2一直在著手創(chuàng)建一個開放的生成語言模型AI2 OLMo（Open Language Model），旨在促進大規(guī)模自然語言處理（NLP）系統(tǒng)的研究。AI2稱將發(fā)布在整個項目中遵循的人工制品和記錄流程，以透明和開放的方式構(gòu)建OLMo。OLMo將擁有700億級別的參數(shù)規(guī)模，預計于2024年初完成。此次公布的Dolma，便是用于OLMo的數(shù)據(jù)集，其名稱來源于“Data to feed OLMo’s Appetite”——為OLMo的“胃口”提供數(shù)據(jù)。AI2認為理想的數(shù)據(jù)集應該滿足開放性、代表性、規(guī)模性、可復現(xiàn)性以及風險規(guī)避性這五個標準。像GPT-4、Claude這樣的語言模型功能強大且用途廣泛，但其訓練數(shù)據(jù)卻是保密的。AI2認為需要扭轉(zhuǎn)這一趨勢，讓數(shù)據(jù)集可以免費使用并接受監(jiān)督，也讓其他研究人員有機會在此基礎上建立更好版本的數(shù)據(jù)集。為了提供可復現(xiàn)的條件，AI2將公開在準備數(shù)據(jù)集過程中使用到的所有開發(fā)工具。

▲AI2統(tǒng)計的常見大模型相關屬性，其中“？”表示未公開，“~”表示部分公開

盡管OpenAI和Meta等公司公布了用于構(gòu)建語言模型的數(shù)據(jù)集的部分重要統(tǒng)計數(shù)據(jù)，但其中很多信息都被視為專有信息。除了阻礙審查和改進等原因之外，還有人猜測，這種封閉的方式可能是由于數(shù)據(jù)的獲取不道德或不合法。在AI競爭激烈的背景下，大部分公司傾向于保守其模型訓練過程的秘密。但對于其他研究人員來說，這使得這些數(shù)據(jù)集和模型更加不透明，難以研究或復現(xiàn)。
02.
保證Dolma數(shù)據(jù)集質(zhì)量，AI2采取四項原則

在訓練語料庫時，可選擇的數(shù)據(jù)非常多，其數(shù)據(jù)量幾乎是一個天文數(shù)字。對此，AI2使用了四項原則來協(xié)助選擇數(shù)據(jù)，分別是遵循現(xiàn)有做法、合理運用評估套件、傾向于協(xié)助實現(xiàn)核心研究方向的決策以及采取基于危害的方法來緩解風險。這四項原則內(nèi)容如下：首先，通過匹配用于創(chuàng)建其他語言數(shù)據(jù)集的方法，使更廣泛的研究界能夠利用Dolma來間接研究現(xiàn)有的或是正在開發(fā)的LLM。其次，在做出直接影響其中一項任務的數(shù)據(jù)相關決策時，選擇能夠提高指標的干預措施。例如，Dolma中加入了文本，因為它能提高K-12（學前及中小學教育）科學知識任務的性能。再次，并非所有數(shù)據(jù)集決策都與基準性能有關，例如添加包含代碼的文檔會降低許多文本基準測試的性能。AI2傾向于為其主動或前瞻性研究加入更有用的決策。最后，通過與法律道德專家的交談，根據(jù)其反饋評估了數(shù)據(jù)設計決策從而規(guī)避可能的風險。
03.
業(yè)界最大公開文本數(shù)據(jù)集，3萬億Tokens超Llama 2

與市面上已經(jīng)公開的數(shù)據(jù)集相比，Dolma主要有兩點不同。首先，它比其他開放數(shù)據(jù)集規(guī)模大很多。

▲Dolma與其他公開數(shù)據(jù)集的屬性對比

由表可見，除Dolma外，目前公開數(shù)據(jù)集中數(shù)據(jù)量最大的是RedPajama，為1.2萬億Tokens，被用于Llama的訓練。相比之下，Dolma的數(shù)據(jù)量是其兩倍多。此外，Llama 2訓練所使用的數(shù)據(jù)集為2萬億Tokens規(guī)模，但并未公開。GPT-3訓練使用的數(shù)據(jù)集規(guī)模為0.4萬億。其次，它遵循AI2為AI人工制品制定的許可證ImpACT，該許可證的名稱來自于AI2的四個核心價值觀：影響力（Impact）、責任（Accountability）、協(xié)作（Collaboration）和透明（Transparency）。它將人工制品劃分為低、中、高三個級別的風險，并規(guī)定了如何使用、安裝和創(chuàng)建衍生品。根據(jù)許可，研究人員須遵守：1、提供聯(lián)系信息，并說明Dolma的預期用途；2、公開基于Dolma創(chuàng)建的任何衍生產(chǎn)品；3、遵循ImpACT分發(fā)衍生產(chǎn)品；4、不將Dolma用于一系列被禁止的用途，如軍事監(jiān)控或生成虛假信息。
04.
結(jié)語：開放與透明為研究者提供新的探索空間

AI2發(fā)布的Dolma數(shù)據(jù)集是迄今為止最大的開放文本數(shù)據(jù)集，為訓練大型語言模型提供了巨大的資源。在遵循風險規(guī)避等準則的前提下，選取了盡量多來源和種類的數(shù)據(jù)，達到3萬億Tokens級別。Dolma的公開透明化舉措開創(chuàng)了大型數(shù)據(jù)集開源的先河，在競爭激烈的AI領域，鼓勵其他研究人員在其數(shù)據(jù)集的基礎上進行再研究和開發(fā)，有助于推動產(chǎn)業(yè)的開放性和合作性發(fā)展。來源：艾倫AI研究所官方博客（本文系網(wǎng)易新聞?網(wǎng)易號特色內(nèi)容激勵計劃簽約賬號【智東西】原創(chuàng)內(nèi)容，未經(jīng)賬號授權，禁止隨意轉(zhuǎn)載。）

2023全球AI芯片峰會預告

9月14-15日，2023全球AI芯片峰會（GACS 2023）將登陸深圳。清華大學教授、中國半導體行業(yè)協(xié)會副理事長、IEEE Fellow魏少軍，AMD人工智能事業(yè)部高級總監(jiān)王宏強，后摩智能聯(lián)合創(chuàng)始人、研發(fā)副總裁陳亮，奎芯科技副總裁王曉陽，云天勵飛副總裁、芯片業(yè)務線總經(jīng)理李愛軍、清華大學交叉信息研究院助理教授馬愷聲、珠海芯動力CEO李原等10+位嘉賓已確認參會和演講。歡迎報名。

智東西
智能產(chǎn)業(yè)第一媒體！智東西專注報道人工智能主導的前沿技術發(fā)展，和技術應用帶來的千行百業(yè)產(chǎn)業(yè)升級。聚焦智能變革，服務產(chǎn)業(yè)升級。 公眾號 該公眾號已被封禁