每个企业和政府能够利用他们的专有数
以下为这次对话的主要内容，enjoy～ B端产品经理的能力模型与学习提升 B端产品经理面临的第一大挑战，是如何正确的分析诊断业务问题。 这也是最难的部分，产品设计知识对这部分工作基本没有帮助，如果想做好业务分析诊断，必须具备扎实 … 查看详情 > David George： 我总是很喜欢和你聊天，每次都能学到很多。我们可以先聊聊你在 Scale AI 正在构建的东西，然后深入探讨。 Alexandr Wang： 好的，在 Scale ，我们正在为 AI 构建数据铸造厂。
从大的层面来看 归结
为三大支柱：计算、数据和算法。 我们所看到的所有进展都来自这三个方面：计算由像 Nvidia 这样的公司推动，算法的进步由像 OpenAI 这样的大型实验室引领，而数据则由 Scale 提供。 我们的目标是生产前沿数据，以推动与各大实验室合作的前沿水平进步，并使据来推动自己的前沿 AI 发展。
希望在阿富汗拓展业务。经过验证的阿富汗电话 阿富汗电话号码列表 号码列表对于成功的营销和推广至关重要。这是一个品牌产品。通过准确的联系信息与潜在客户建立联系，提高客户参与度并推动转化。使用可靠的电话号码数据库确保您的营销活动有效且有针对性。
关于前沿数据这个话题，实际上你是
如何获得这些数据的呢？ Alexandr Wang： 是的，我认为这 印度尼西亚 bc 用户联系人列表 是我们这个时代的伟大人类项目之一。如果这有意义的话，我认为目前唯一的智慧模型就是人类，而前沿数据的生产很像是人类专家与技术和算法技术的结合，以生产大量此类数据。顺便说一句，迄今为止我们所产生的所有数据，互联网也是类似的。 在很多方面，互联网是机器和人类合作产生大量内容和数据的成果。而未来的情况可能就像增强版的互联网：如果互联网不仅仅是一个人类娱乐设备，而是一个大规模的数据生成实验，会怎样呢？ David George： 你对行业现状有独特的见解，你如何描述当前语言模型的状态呢？我很想谈谈市场结构，但可以先从你对行业的整体看法开始。
是的，我认为我们可能正接近语
言模型开发的第二阶段末期。第一阶段是早期几乎完全 bmb目录 的 研究阶段，标志性的成果包括最初的 Transformer 论文和对 GPT 的早期小规模实验，直到 GPT-3 发布为止。 这是一个专注于小规模实验和算法进步的阶段。然后，第二阶段大致从 GPT-3 开始到现在，进入了初始扩展阶段。 GPT-3 表现得相当不错，接着 OpenAI 及其他公司开始大规模扩展这些模型，像Google、Anthropic、 Meta 和 xAI 等许多公司也加入了这个竞赛，将模型的能力提升到极限。
过去两三年间，几乎完全是执行
层面的工作，涉及如何使大规模训练顺利进行，如何避免代码中的怪异错误，如何设置更大的集群等。 接下来我认为我们将进入一个研究和执行之间更多交替的阶段，各实验室将朝着不同的研究方向发展，并在不同时期取得各自的突破，因此这是一个激动人心的转折期。 David George： 他们已经达到了一个阶段，虽然不能说计算资源是丰富的，但已经足够支撑模型的发展，基本不再是一个限制。而在数据方面，所有前沿实验室已经尽可能地挖掘了可用的数据资源。接下来就是在数据方面取得突破，对吗？ ： 是的，基本上是这样。
如果你看这三大支柱，计算方面我
们显然会继续扩大训练集群的规模，这个方向是比较明确的。算法方面，我认为将会有很多创新。 事实上，很多实验室现在都在这一领域进行深入的研究。而关于数据，你提到的很对，我们已经用尽了所有容易获取的公开数据。 David George： 是的，所有人都可以获得相同的数据。 没错，很多人称之为“数据墙”，我们已经利用了所有公开的数据资源。而下一阶段的标志之一将是数据生产。 每个实验室将如何生成所需的数据以实现更高的智能水平，这将是一个关键问题，我们如何朝着数据丰富迈进？这将需要多个领域的前沿研究。 我认为，首先是推动数据复杂性的提升，迈向前沿数据。我们希望在模型中构建的许多能力，其最大的障碍其实是数据的缺乏。 比如说，过去两年内， Agent 一直是一个热门话题，但实际上几乎没有 Agent 能很好地运作。
原因是网络上根本没有大量有
价值的 Agent 数据。这些数据不在那里，所以我们需要生产高质量的 Agent 数据。 David George： 能举个例子，说明我们需要生产什么样的数据吗？ Alexandr Wang： 我们即将发布的一项研究表明，目前所有前沿模型在工具组合上的表现都很差。比如它们需要先查找信息，然后编写一个 Python 脚本，再绘制图表，使用多个工具串联起来解决问题时，模型表现得非常糟糕。而这对人类来说是非常自然的。 David George： 是的，但这些操作没有被记录下来，是这个意思吗？也就是说，模型无法学习到这些步骤。 Alexandr Wang： 完全正确。这些推理链条在人类解决复杂问题时非常常见，我们会自然地使用一系列工具，思考问题并推理下一步需要做什么。
如果遇到错误，我们会回
过头重新考虑。很多这样的智能链条数据今天根本不存在。这是一个需要生成的数据例子。 退一步讲，首先需要在数据上取得的进展是增加数据的复杂性，朝前沿数据迈进。其次是增加数据的生产量，捕捉更多人类在实际工作中的行为。 David George： 更多捕捉人类在工作中的实际操作？ Alexandr Wang： 是的，捕捉更多人类的操作行为，同时投资于合成数据或混合数据。利用合成数据，同时让人类参与其中，从而生成更高质量的数据。我们需要像对待芯片生产一样看待数据生产。 就像我们讨论芯片生产的边界，确保有足够的生产能力来制造芯片。对于数据也是一样的，我们需要有效的数据生产边界，能够生成海量数据来支持模型训练。
最后一个经常被忽视的方面是对
模型的测量，确保我们能够科学地分析模型的不足之处，从而精确确定需要添加哪种数据来提高模型的性能。 David George： 大科技公司相对于独立实验室，在数据资源上有多大的优势呢？ Alexandr Wang： 大公司在利用现有数据资源时面临很多监管问题。你可以看到，在生成式 AI 之前， Meta 曾利用所有公开的Instagram照片及其标签来训练非常优秀的图像识别算法，但这在欧洲遇到了许多监管问题，最终变得非常麻烦。 所以如何处理这些数据优势从监管角度来看，特别是在欧洲，还需要进一步观察。我认为大实验室的真正优势在于它们有非常盈利的业务，能够为 AI 项目提供几乎无限的资金来源。对此，我非常关注，也很好奇它将如何发展。
