都說醫療、金融等專業領域的語料數據稀缺，這會制約AI大模型的發展——那能不能讓兩個ChatGPT對聊，聊出點數據出來？

(相關資料圖)

近日，天橋腦科學研究院（TCCI）主辦了AI For Brain Science系列會議第二期—— “面向AI模型的數據生成方法及其對醫療領域的啟示”。

在上海交通大學計算機科學與工程系副教授吳夢玥主持下，三名青年科學家分享了關于破解大規模語言模型數據瓶頸的看法和實踐。

快速構建專屬GPT

國際上一項研究評估指出，ChatGPT回答癌癥相關問題的水平已經與美國國家癌癥研究所的回答持平。不過，ChatGPT只能通過受限的應用程序編程接口訪問；并且涉及到個人醫療，人們也普遍不希望將自己的隱私信息分享給第三方公司。

針對這樣的難題，加州大學圣迭戈分校博士生許燦文和中山大學團隊的合作者提出了一種能自動生成高質量多輪聊天語料庫的流程，利用ChatGPT與其自身進行對話，生成對話數據，再基于產生的對話數據調優、增強開源的大型語言模型。他們從而獲得了高質量的專屬模型“白澤”，并在數天前推出了2.0版本。這個名字的靈感來源是中國古代傳說中的一種神獸，“能言語，達知萬物之情”。

許燦文介紹，“白澤”在這個過程中并沒有學會新的知識，只是提取了大模型中的特定數據，并且保留了ChatGPT “分點作答”“拒絕回答”等語言能力。這在專業上被比喻為一種“蒸餾”。進一步地，他們提出了反饋自蒸餾的概念，即利用ChatGPT當教官，對“白澤”回答的結果進行評分排序，從而進一步提高了“白澤”模型的性能。

許燦文認為，“白澤”通過自動化的知識蒸餾，在特定領域達到ChatGPT的能力，成本卻遠遠低于ChatGPT，兼具經濟意義和實用意義。在醫療領域，本地化或私有化建構的模型將有利于消除隱私顧慮，輔助患者診療。

大模型優化醫療文本挖掘

萊斯大學博士生唐瑞祥和合作者同樣基于大模型提出了一種新的數據生成策略，并在命名實體識別、關系提取等經典的醫療文本挖掘任務上取得了更佳表現。

ChatGPT具有創造性的寫作能力，在醫療、金融、法律等標注數據很少的領域以及知識密集型領域表現出色。然而，具體到醫療文本挖掘，他們發現將ChatGPT直接應用大型模型處理醫療文本的下游任務，表現并不總是優秀，也可能引發隱私問題。

唐瑞祥等提出了一種新策略：利用大型模型生成大量醫療數據，再通過小型模型對這些數據進行訓練。實驗結果顯示，相較于直接利用大型模型執行下游任務，這一新策略能夠取得更出色的效果，同時因為模型數據在本地，也大幅降低了潛在的隱私風險。

他們進一步指出，隨著開源大模型數量的增加和大模型能力的提升，其產生的文本數據與人類產生的文本數據的差別將越來越小，發展檢測二者差別的技術手段將是一項富有挑戰性的工作。現有的兩種檢測手段，無論是黑盒檢測——直接比較大模型生成的文本數據與人類生成的文本數據（比如比較高頻詞分布），還是白盒檢測——開發者在生成文本上做標簽，在未來都可能失效。能否有效地檢測出數據是不是GPT生成的，將影響到廣大用戶對大模型AI的信任程度。

大模型時代數據生成不一樣

從歷史演變的角度來看，在沒有GPT的時代，科學家們如何解決數據稀缺難題？大模型又帶來了哪些新趨勢？

上海交通大學博士生曹瑞升總結了數據生成在大模型時代的幾大新趨勢：首先是構建更加通用的模型，以確保其能夠應用于多樣化的任務——這意味著模型需要具備廣泛的適應性和泛化能力；其次是從特定任務出發，進一步精細化地處理，例如在醫療領域，甚至可以針對特定類型的抑郁癥進行專業化的任務處理，提供更加精準和個性化的解決方案；最后，數據生成和模型訓練的過程將從分離走向融合，而為了保證數據質量的硬性過濾也將逐漸被軟性控制所取代。

“數據生成研究與應用的發展，為大模型AI走向各個專業領域，尤其是醫療領域提供廣闊的可能性。”曹瑞升說。

記者獲悉，TCCI致力于支持全球范圍內的腦科學交流。AI For Brain Science系列會議致力于促進AI與腦科學研究人員的討論合作，將持續聚焦領域內的數據瓶頸和關鍵痛點，促進前沿AI技術在腦科學領域發揮更大的價值。

新民晚報記者 郜陽

關鍵詞