AI 模型崩塌（Model Collapse）係乜？點解 AI 用 AI 數據訓練會愈學愈偏

隨住 AI 生成內容喺網絡上愈來愈多，呢個問題亦開始被視為長遠 AI 發展嘅重要風險。

乜嘢係「模型崩塌」

模型崩塌係生成式模型嘅一種失效模式：當模型唔再主要從人類或真實世界數據學習，而係從舊模型生成嘅輸出學習時，就會出現性能同多樣性下降。

研究發現，呢種遞歸式訓練會引入不可逆嘅缺陷。模型會逐漸失去數據分佈「尾端」（tails）嘅資訊——即係那些出現次數少，但對準確描述現實非常重要嘅例子。

隨住訓練一代一代進行：

• 輸出變得愈來愈單一
• 模型更偏向常見模式
• 對罕見或特殊情況處理能力下降

呢個現象已經喺多種生成模型中觀察到，例如：

• 大型語言模型（LLMs）
• 變分自編碼器（VAEs）
• 高斯混合模型（GMMs）

因為唔同模型架構都出現同樣問題，研究人員認為模型崩塌並唔只係某種算法嘅缺陷，而係生成模型在合成數據遞歸訓練下嘅普遍現象。

點解遞歸訓練會令罕見模式消失

背後原因其實同基本統計抽樣有關。

當模型生成數據時，它傾向重現高機率模式，而罕見事件本身就位於分佈尾端，因此抽樣時本來就比較少出現。

當下一代模型用呢啲合成數據訓練時：

• 罕見例子出現頻率會比原本更低
• 模型學到嘅分佈開始偏離真實分佈
• 下一代模型再進一步放大呢個偏差

每一次迭代都會累積之前嘅誤差。到某一個階段，分佈尾端幾乎完全消失，只剩下最常見嘅模式。

一旦呢啲罕見例子從訓練數據中消失，之後嘅模型就無辦法再重建它們，因為數據裡面已經冇證據顯示佢哋曾經存在。

點解少量真實數據可以阻止崩塌

近期分析提出一個有趣結果：阻止模型崩塌可能唔需要大量真實數據。

研究人員分析一類叫做指數族（exponential families）嘅統計模型時發現，只要訓練過程中包含至少一個來自真實分佈嘅數據點，就可以為模型提供「錨點」，保持對原始分佈嘅參考。

換句話講，即使合成數據佔絕大多數，呢個真實樣本仍然可以提醒模型：原本嘅分佈其實包含其他模式。

另外一種方法係加入先驗知識（prior knowledge），即係對模型設定限制或假設。呢啲限制會縮小模型可以學習嘅分佈範圍，避免它完全跟隨偏差嘅合成數據。

實際意義包括：

• 真實樣本可以保留罕見但合理嘅模式
• 先驗假設可以防止模型向錯誤分佈漂移

即使真實數據比例好少，仍然可能足以穩定訓練過程。

點解對大型語言模型特別重要

模型崩塌問題近年愈來愈受關注，原因係AI 生成內容正在快速充斥互聯網。

大型語言模型通常依賴從網絡抓取嘅海量文本數據訓練。如果網上越來越多內容其實係 AI 生成，未來模型訓練數據就可能大量包含舊模型嘅輸出。

如果訓練主要依賴呢啲內容，長遠可能帶來幾個後果：

• 生成內容多樣性下降
• 對罕見或特殊情況理解變差
• 對世界嘅描述愈來愈單一

因此研究人員認為，要避免模型崩塌，AI 開發者需要確保仍然能取得可信嘅人類生成數據，或者在訓練過程中加入能保留原始分佈結構嘅方法。

目前研究仍有局限

雖然模型崩塌嘅機制已經有理論同實驗支持，但部分細節仍然未完全確定。

例如「一個真實數據點就足以阻止崩塌」嘅結論主要來自理論分析同簡化統計模型，而唔係大規模實際 LLM 訓練實驗。

因此喺真實 AI 系統中，到底需要幾多真實數據先足夠，仍然可能取決於模型架構、數據來源同訓練方法。

不過整體訊息相當清楚：如果 AI 只靠 AI 生成內容訓練，模型可能會逐漸「忘記」部分現實世界。 要保持準確同多樣性，仍然需要同真實世界數據保持連接。