【聚焦ChatGPT】ChatGPT的数据集之谜
半个月以来，ChatGPT这把火越烧越旺。国内很多大厂相继声称要做中文版ChatGPT，还公布了上线时间表，不少科技圈已功成名就的大佬也按捺不住，携巨资下场，要创建“中国版OpenAI“。
不过，看看过去半个月在群众眼里稍显窘迫的Meta的Galactica，以及Google紧急发布的Bard，就知道在短期内打造一个比肩甚至超越ChatGPT效果的模型没那么简单。
让很多人不免感到诧异的是，ChatGPT的核心算法Transformer最初是由Google提出的，并且在大模型技术上的积累可以说不弱于OpenAI，当然他们也不缺算力和数据，但为什么依然会被ChatGPT打的措手不及？
Meta首席AI科学家Yann LeCun最近抨击ChatGPT的名言实际上解释了背后的门道。他说，ChatGPT“只是巧妙的组合而已”，这句话恰恰道出了一种无形的技术壁垒。
简单来说，即使其他团队的算法、数据、算力都准备的与OpenAI相差无几，但就是没想到以一种精巧的方式把这些元素组装起来，没有OpenAI，全行业不知道还需要去趟多少坑。
即使OpenAI给出了算法上的一条路径，后来者想复现ChatGPT，算力、工程、数据，每一个要素都需要非常深的积累。七龙珠之中，算力是自由流通的商品，花钱可以买到，工程上有OneFlow这样的开源项目和团队，因此，对互联网大厂之外的团队来说，剩下最大的挑战在于高质量训练数据集。
至今，OpenAI并没有公开训练ChatGPT的相关数据集来源和具体细节，一定程度上也暂时卡了追赶者的脖子，更何况，业界公认中文互联网数据质量堪忧。
好在，互联网上总有热心的牛人分析技术的细枝末节，从杂乱的资料中串联起蛛丝马迹，从而归纳出非常有价值的信息。
此前，OneFlow发布了《
ChatGPT背后的经济账
》，其作者从经济学视角推导了训练大型语言模型的成本。本文作者则整理分析了2018年到2022年初从GPT-1到Gopher的相关大型语言模型的所有数据集相关信息，希望帮助有志于开发“类ChatGPT”模型的团队少走一步弯路。
作者｜Alan D. Thompson
OneFlow编译
翻译｜杨婷、徐佳渝、贾川
一些研究人员的报告称，通用人工智能（AGI）可能是从我们当前的语言模型技术进行演进[1]，预训练Transformer语言模型为AGI的发展铺平了道路。虽然模型训练数据集日渐增大，但缺乏基本指标文档，包括数据集大小、数据集token数量和具体的内容细节。
尽管业内提出了数据集组成和整理文档的标准[2]，但几乎所有重点研究实验室在揭示模型训练数据集细节这方面都做得不够。这里整合的研究涵盖了2018年到2022年初从GPT-1到Gopher的精选语言模型的所有数据集（包括主要数据集：Wikipedia和Common Crawl）的综合视图。
1概述
图 1. 主要数据集大小的可视化汇总。未加权大小，以GB为单位。
2018年以来，大语言模型的开发和生产使用呈现出爆炸式增长。一些重点研究实验室报告称，公众对大语言模型的使用率达到了惊人高度。2021年3月，OpenAI宣布[3]其GPT-3语言模型被“超过300个应用程序使用，平均每天能够生成45亿个词”，也就是说仅单个模型每分钟就能生成310万词的新内容。
值得注意的是，这些语言模型甚至还没有被完全理解，斯坦福大学的研究人员[4]最近坦言，“目前我们对这些模型还缺乏认知，还不太了解这些模型的运转模式、不知道模型何时会失效，更不知道这些模型的突现性（emergent properties）能产生什么效果”。
随着新型AI技术的快速发展，模型训练数据集的相关文档质量有所下降。模型内部到底有什么秘密？它们又是如何组建的？本文综合整理并分析了现代大型语言模型的训练数据集。
因为这方面的原始文献并不对外公开，所以本文搜集整合了二、三级研究资料，在必要的时候本文会采用假设的方式来推算最终结果。
在本文中，我们会将原始论文中已经明确的特定细节（例如token数量或数据集大小）归类为“公开的（disclosed）”数据，并作加粗处理。
多数情况下，适当地参考二、三级文献，并采用假设的方式来确定最终结果是很有必要的。在这些情况下，token数量和数据集大小等细节是“确定的（determined）”，并以斜体标记。
模型数据集可分为六类，分别是：维基百科、书籍、期刊、Reddit链接、Common Crawl和其他数据集。
表1. 主要数据集大小汇总。以GB为单位。公开的数据以粗体表示。确定的数据以斜体表示。仅原始训练数据集大小。
1.1. 维基百科
维基百科是一个免费的多语言协作在线百科全书，由超过300,000名志愿者组成的社区编写和维护。截至2022年4月，英文版维基百科中有超过640万篇文章，包含超40亿个词[5]。维基百科中的文本很有价值，因为它被严格引用，以说明性文字形式写成，并且跨越多种语言和领域。一般来说，重点研究实验室会首先选取它的纯英文过滤版作为数据集。
1.2.?书籍
故事型书籍由小说和非小说两大类组成，主要用于训练模型的故事讲述能力和反应能力，数据集包括Project Gutenberg和Smashwords (Toronto BookCorpus/BookCorpus)等。
1.3.?杂志期刊
预印本和已发表期刊中的论文为数据集提供了坚实而严谨的基础，因为学术写作通常来说更有条理、理性和细致。这类数据集包括ArXiv和美国国家卫生研究院等。
1.4.?Reddit链接
WebText是一个大型数据集，它的数据是从社交媒体平台Reddit所有出站链接网络中爬取的，每个链接至少有三个赞，代表了流行内容的风向标，对输出优质链接和后续文本数据具有指导作用。
1.5.?Common Crawl
Common Crawl是2008年至今的一个网站抓取的大型数据集，数据包含原始网页、元数据和文本提取，它的文本来自不同语言、不同领域。重点研究实验室一般会首先选取它的纯英文过滤版（C4）作为数据集。
1.6. 其他数据集
不同于上述类别，这类数据集由GitHub等代码数据集、StackExchange 等对话论坛和视频字幕数据集组成。
?
2
常用数据集
2019年以来，大多数基于Transformer的大型语言模型 (LLM) 都依赖于英文维基百科和Common Crawl的大型数据集。在本节中，我们参考了Jesse Dodge和AllenAI（AI2）[8]团队的综合分析，按类别对英文维基百科作了高级概述，并在Common Crawl数据集[7]的基础上，用谷歌C4[6] (Colossal Clean Crawled Corpus)在Common Crawl中提供了顶级域（domains）。
2.1. 维基百科（英文版）分析
下面按类别[9]列出了维基百科的详细信息，涵盖了2015年抽样的1001篇随机文章，研究人员注意到随时间推移文章传播的稳定性。假设一个11.4GB、经过清理和过滤的维基百科英文版有30亿token，我们就可以确定类别大小和token。
表2. 英文维基百科数据集类别。公开的数据以粗体表示。确定的数据以斜体表示。
2.2 Common Crawl分析
基于AllenAI (AI2)的C4论文，我们可以确定，过滤后的英文C4数据集的每个域的token数和总体百分比，该数据集为305GB，其中token数为1560亿。
表3. C4：前23个域（不包括维基百科）。公开的数据以粗体表示，确定的数据以斜体表示。
?
3
GPT-1数据集
2018年，OpenAI发布了1.17亿参数的GPT-1。在论文中，OpenAI并没有公布模型训练数据集的来源和内容[10]，另外，论文误将‘BookCorpus’拼写成了‘BooksCorpus’。BookCorpus以作家未出版的免费书籍为基础，这些书籍来自于Smashwords，这是一个自称为“世界上最大的独立电子书分销商” 的电子书网站。这个数据集也被称为Toronto BookCorpus。经过几次重构之后，BookCorpus数据集的最终大小确定为4.6GB[11]。
2021年，经过全面的回顾性分析，BookCorpus数据集对按流派分组的书籍数量和各类书籍百分比进行了更正[12]。数据集中有关书籍类型的更多详细信息如下：
表4. BookCorpus书籍类型。公开的数据以粗体表示，确定的数据以斜体表示。
在随后的数据集重构中，BookCorpus数据集进一步过滤掉了书籍中的“吸血鬼”类别、降低了言情类书籍的百分比、增加了“历史”类书籍，增加了收集的书籍数量。
3.1. GPT-1数据集总结
GPT-1最终的数据集总结分析如下：
表5.GPT-1数据集总结。以GB为单位。公开的数据以粗体表示，确定的数据以斜体表示。
4
GPT-2数据集
2019年，OpenAI发布了拥有15亿参数的语言模型GPT-2。GPT-2论文阐明了所用训练数据集的大小[13]，不过并未说明其内容。而GPT-2模型卡（model card）（在GPT-2 GitHub仓库中）说明了模型内容[14]。
我们可以从GPT-3论文中得到token数量，该论文使用了WebText扩展版本来表示190亿token。据推测，2020年推出的WebText扩展版本拥有12个月的额外数据（additional data），因此它可能比2019年推出的GPT-2版本大25%左右[15]。GPT-2最终的token数量确定为150亿左右。
如GPT-2论文所述，假设模型卡显示链接数时，每个链接都可以被4500万链接总数所除，那WebText的内容在数据集中所占的百分比的详细信息就可以确定。
然后可以使用确定的150亿token数量来查找每个域的token数量。请注意，在可用的前1,000个域中，此处仅显示前50个域。
表6. WebText: 前50个域。?公开的数据以粗体表示，确定的数据以斜体表示。
4.1. GPT-2数据集总结
GPT-2模型最终的数据集总结分析如下：
表7. GPT-2数据集总结。?公开的数据以粗体表示，确定的数据以斜体表示。
5
GPT-3数据集
GPT-3模型由OpenAI于2020年发布。论文阐明了所用训练数据集的token数量[16]，但训练数据集的内容和大小尚不清楚（Common Crawl的数据集大小除外[17]）
表8. GPT-3数据集。?公开的数据以粗体表示，确定的数据以斜体表示。
5.1. GPT-3：关于Books1和Books2数据集的分析
特别值得关注的是，在OpenAI的GPT-3论文中，并未公开Books1数据集（120亿token）和Books2数据集（550亿token）的大小和来源。关于这两个数据集的来源人们提出了几个假设，包括来自LibGen18和Sci-Hub的类似数据集，不过这两个数据集常以TB为计，大到无法匹配。
5.2. GPT-3：Books1
GPT-3使用的Books1数据集不可能与GPT-1使用的BookCorpus数据集相同，原因在于Books1的数据集更大，达120亿token。在一篇引用的论文[19]中就提及GPT-1使用的BookCorpus数据集拥有9.848亿个词，但这可能只相当于13亿token（984.8字x 1.3字的token乘数）。
通过标准化项目古腾堡语料库（SPGC），Books1有可能与古腾堡项目保持一致性。SPGC是一种开放式科学方法，被用于古腾堡项目完整的PG数据的精选（curated）版本。SPGC包含120亿个token[20]，大约为21GB[21]。
5.3. GPT-3：Books2
Books2（550亿token）可能与Bibliotik保持一致，并由EleutherA收集该来源的数据，组成数据集，使其成为The Pile v1的一部分。Bibliotik版本为100.96GB[22]，其确定的token数仅为250亿，低于Books2公开的550亿。然而，使用SPGC的‘每字节token数’比率（大约为1:1.75），Bibliotik的token数和大小将更接近于Books2。
5.4. GPT-3数据集总结
附录A概述了使用Wikipedia + CommonCrawl + WebText数据集的顶级资源列表。GPT-3模型的最终数据集总结分析如下：
表9.GPT-3数据集总结。公开的数据以粗体表示，确定的数据以斜体表示。
6
The Pile v1（GPT-J和GPT-NeoX-20B）数据集
The Pile v1数据集由EleutherAI于2021年发布，该数据集已被用于训练包括GPT-J、GPT-NeoX-20B在内的多种模型，并作为包括MT-NLG在内的其他模型的部分数据集。The Pile v1论文阐明了所用训练数据集的来源和大小。随着token数量的增加，The Pile v1论文应被用作未来数据集文档的黄金标准。
有关token数量的更多
不让ChatGPT说车轱辘话,我们就得少说废话
不让车辆通行违法吗,不让别人超车是什么心态,不让别人超车属于什么违法行为,互不让车ChatGPT引发的讨论，很像是现时代的洞穴之喻。不管技术进化到何种程度，都需要人们首先有勇气睁眼看世界，破除幻象迷思，迈出反思的关键一步。
第三次科技革命以来，以比特为单位，人类打开了新世界的大门，闯入技术图像的浩瀚宇宙。肉眼能够观察到的，抑或被现实限制了想象力而不能看到的，都能在新的技术图景中得到呈现，或找到蛛丝马迹。
信息爆炸、论文纷飞，一代学人金克木仍能在谈笑间从容淡定地畅谈经典阅读的心得，老先生给自己的一本书起的名字叫《书读完了》。赵本山则在小品《心病》中从“母猪的产后护理”谈到伊拉克战争，大发感慨：“知识都学杂了。”
知识需要积累，更需要层垒式地进化迭代。知识的进化需要创造力、想象力、开脑洞，而灵韵的闪现往往是非线性的。由放到收，博而后约，这时候需要进一步的理性约束，需要在传统的边际上创新。传统积累是强大的，但边际的突破性更加可贵，推开这扇门不是纯然机械的（数字）体力劳动，它是一种创造性的劳动。
大数据分析本身就以其穷尽无极的方式，甚至直接架空因果推断，降维成一种不必解释的“本能”，但这种积累而成的“经验”很难说是一种有意义的知识或规律。大数据分析者主张，知道“是什么”就够了，没必要知道“为什么”，不必追问现象背后的原因，只要让数据自己“发声”然后接受它，就够了。对人类来讲，仅仅是这种傻瓜式操作，对于应知应会的一般性知识还是可以的，对另一些需要深度思考和启发性的问题，则未免过于简化了。
应当简约优化的是文风。小即是美，极简思维反倒是信息爆炸后更为稀缺的。最近读到李德辉教授的论文《论汉至晋初文章的简牍体制》（《清华大学学报（哲社版）》2023年第1期），解释了汉至晋初文章以简牍为载体、受简牍形制限制而形成的与纸书不同的格局规格、体裁样式、篇章结构。李教授认为，这种基于简牍使用而形成的文章规制，“倾向于将多种实用文体写成短文，书于薄小的牍札，以便携带和阅读，一般仅长数十字或百余字，文字简约，意义丰富”。这种字斟句酌、沉吟推敲，早期的70字的短信体、140字的微博体，想来也有异曲同工之处。
这篇论文讲的是文史，却对我们理解ChatGPT有帮助。文与质、繁与简的背后，是有物质基础的。简牍到纸张到集成电路，载体变更，文风亦为之变更。文以载道，何以载文？文以载道，要解决实际问题。要回到高古、浑厚且清朗的基础环境，因为这是人工智能汲取营养的质料池，只有从源头上杜绝那些言之无物、低水平重复的、车轱辘话文字垃圾的炮制，才可能培育喂饲和成长出高水平的人工智能。
凡是真正需要掏心窝子说话、表态的地方，凡是需要融入切实的个性化生命体验的地方，人工智能发挥的空间都比较有限。正如一部真正打动人心的文艺作品，或一场真正触及灵魂的民主生活会，靠程式化、套路化、试图从他人的既有经验中归纳出标准答案，都是不可能实现的。
这场ChatGPT风暴，还刚刚开始，会否如某些专家所乐观预测的那样，引领新一波的技术革新浪潮，带来新的“风口”，亦未可知。不过，它至少应当引发我们对自身所处信息环境和技术生态的头脑风暴，启发我们在真正的浪潮和“风口”来临之前，踏踏实实地做一点基础性的整理工作。
（作者为上海财经大学教授） 返回搜狐，查看更多
责任编辑：
中文在线：Chatgpt等AI模型均需要海量数据支撑，公司积累了海量的正版数字内容资源
中文在线股票股吧,中文在线天堂官网,中文在线最新版地址,中文在线网中文在线2月13日在互动平台表示，在人工智能时代，数据是组成AIGC的核心生产要素，以Chatgpt为代表的AI模型均需要海量数据支撑才可完成训练，公司深耕文化数字产业20余年，积累了海量的正版数字内容资源，可为AI模型提供核心生产要素。公司已与股东方腾讯系、百度系在元宇宙业务、数字内容、改编权授权及影视剧、动画制作等方面进行合作。返回搜狐，查看更多
责任编辑：
