AIGC正在改變世界，自從 ChatGPT 對話機(jī)器人的橫空出世后，一石激起千層浪，人工智能也正在從感知理解走向生成創(chuàng)造，這是一個(gè)關(guān)鍵里程碑。ChatGPT上線后很快風(fēng)行一時(shí)，短短4個(gè)月時(shí)間里，國內(nèi)至少30個(gè)研發(fā)機(jī)構(gòu)與企業(yè)紛紛推出自有品牌的大模型與相關(guān)產(chǎn)品。生成式AI大模型完成了從0到1的飛躍，是信息技術(shù)革命發(fā)展到特定歷史階段的產(chǎn)物，并且已成為未來發(fā)展趨勢，推動AI邁向通用人工智能。

然而，馬斯克卻公開表示ChatGPT“好得可怕”（scary good），危險(xiǎn)的強(qiáng)人工智能或許已離不我們不遠(yuǎn)。今年4月，馬斯克、《人類簡史》作者Yuval Noah Harari、紐約大學(xué)教授馬庫斯等1000多名人工智能專家和行業(yè)大佬在公開信中呼吁：“ChatGPT等AI研究室需暫停研發(fā)6個(gè)月！”給出的理由是“只有當(dāng)我們確信它們的影響是積極的，并且它們的風(fēng)險(xiǎn)是可控的時(shí)候，才能開發(fā)更強(qiáng)大的人工智能系統(tǒng)。”

喜憂參半，大模型飛速發(fā)展的同時(shí)也面臨著諸多風(fēng)險(xiǎn)隱憂，數(shù)據(jù)隱私泄露、安全漏洞、數(shù)據(jù)濫用、數(shù)據(jù)壟斷、不公平性、公域數(shù)據(jù)即將耗盡等已然成為大模型的主要“隱患”。香港科技大學(xué)講座教授、加拿大工程院及加拿大皇家學(xué)院兩院院士楊強(qiáng)及其團(tuán)隊(duì)正在嘗試通過聯(lián)邦學(xué)習(xí)和大模型結(jié)合的方式，解構(gòu)大模型下的數(shù)據(jù)生態(tài)與安全之困。

(資料圖片僅供參考)

分散的小模型協(xié)作，或?qū)⒔鈽?gòu)大模型發(fā)展之困

4月18日，OpenAI CEO Sam Altman在討論大模型發(fā)展的趨勢的時(shí)候認(rèn)為，讓模型變得更大將不會進(jìn)一步帶來新進(jìn)展。他說，“我認(rèn)為我們正處于將模型做大這一時(shí)代的盡頭。我們將以其他方式使它們變得更好。”未來模型參數(shù)應(yīng)該向更小的方向發(fā)展，或者以多個(gè)小模型協(xié)作的方式工作。

“讓大模型變小”已經(jīng)成為眾多研究者非常感興趣的一條路，大家先后做了很多嘗試，先是 Meta 開源了 LLaMA，讓學(xué)界和小公司可以訓(xùn)練自己的模型。隨后斯坦福研究者啟動了 Lamini，為每個(gè)開發(fā)者提供了從 GPT-3 到 ChatGPT 的快速調(diào)優(yōu)方案。

今年4月，隱私計(jì)算聯(lián)邦學(xué)習(xí)開源平臺FATE（Federated AI Technology Enabler）正式發(fā)布聯(lián)邦大模型FATE-LLM功能模塊，同樣是“小模型協(xié)作”的思路，F(xiàn)ATE-LLM則是通過將聯(lián)邦學(xué)習(xí)和大模型結(jié)合，在各參與方的敏感數(shù)據(jù)不出本地域的前提下，根據(jù)各方實(shí)際數(shù)據(jù)量進(jìn)行算力投入，聯(lián)合進(jìn)行大模型訓(xùn)練。

基于此技術(shù)方案，多個(gè)機(jī)構(gòu)可以通過FATE內(nèi)置的預(yù)訓(xùn)練模型進(jìn)行橫向聯(lián)邦，利用各自隱私數(shù)據(jù)進(jìn)行聯(lián)邦大模型微調(diào)，從而提升自身大模型應(yīng)用的效果。聯(lián)邦大模型不僅主要解決的是大模型訓(xùn)練階段的隱私保護(hù)問題，未來還將研究在使用大模型的過程中如何保護(hù)用戶的隱私。

這種用小模型聯(lián)動大模型的方式，也很好地詮釋了小模型協(xié)作的精髓。聯(lián)邦學(xué)習(xí)作為一種分布式機(jī)器學(xué)習(xí)新范式，其“數(shù)據(jù)不動模型動，數(shù)據(jù)可用不可見”的特點(diǎn)有助于各參與方在保護(hù)各自數(shù)據(jù)安全與用戶隱私的前提下，進(jìn)行AI協(xié)作，打破數(shù)據(jù)孤島。

也正是因?yàn)槁?lián)邦學(xué)習(xí)的這一屬性，為未來大模型的發(fā)展提供新的思路：聯(lián)邦學(xué)習(xí)與大模型結(jié)合，或?qū)⒂兄跇?gòu)建安全合規(guī)的數(shù)據(jù)生態(tài)大陸。

近期聯(lián)邦大模型對現(xiàn)有大模型的支持已經(jīng)在實(shí)操層面上有了很多新進(jìn)展，F(xiàn)ATE開源社區(qū)TSC Maintainer、開發(fā)專委會核心成員范濤表示：“目前的FATE-LLM可以提供對主流大模型的支持，4月發(fā)布了聯(lián)邦大模型FATE-LLM對GPT-2等大模型的支持，5月發(fā)布了對清華GLM大模型的支持?！?/p>

聯(lián)邦大模型，也需要面對“原生困境”

和大模型面臨的隱憂類似，即便是以大化小，聯(lián)邦大模型從根本地解決了大模型面臨的一些問題，但是聯(lián)邦大模型依然有著自己要解決的“原生困境”。

公平性是否能夠得到保障？數(shù)據(jù)隱私性是否能夠有效保護(hù)？規(guī)模大小不一的異構(gòu)模型集如何統(tǒng)一調(diào)配訓(xùn)練？這些也給聯(lián)邦大模型的研究者們提出了難題。從2018年開始，楊強(qiáng)教授和其團(tuán)隊(duì)始終致力于聯(lián)邦學(xué)習(xí)的研究，如今，面對聯(lián)邦大模型可能遇到的技術(shù)難題，楊強(qiáng)教授認(rèn)為，想要在多個(gè)維度實(shí)現(xiàn)“既要，又要”（既要安全可信，又要高效可用），那么就必須在“平衡”上做文章。

楊強(qiáng)教授認(rèn)為，“未來，人工智能模型一定會成為我們貼身的人工智能助理，這就要求人工智能對個(gè)人的需求有更強(qiáng)的適配能力和更好的理解能力，這個(gè)時(shí)候，就會用到私域數(shù)據(jù)，包括個(gè)人的生理的數(shù)據(jù)、物聯(lián)網(wǎng)數(shù)據(jù)以及一些和個(gè)人非常強(qiáng)相關(guān)的數(shù)據(jù)。聯(lián)邦大模型針對這個(gè)問題可以做到很好的平衡：一方面數(shù)據(jù)是分布的，另一方面，這些大大小小的模型有的是分布式的，有的是個(gè)人化的、定制化的，他們一起對聯(lián)邦大模型總體產(chǎn)生性能的提升、效率的提升以及安全隱私的保護(hù)?！?/p>

然而，即便是“為解決數(shù)據(jù)隱私問題而生”的聯(lián)邦大模型，自身依然有要面對的安全性難題，對此，微眾銀行人工智能首席科學(xué)家范力欣認(rèn)為：“針對數(shù)據(jù)竊取，我們通過加密數(shù)據(jù)來進(jìn)行防御；針對模型竊取則是通過水印機(jī)制來進(jìn)行制約。目前我們已經(jīng)有一套技術(shù)方案能夠支撐和有效地管理、追蹤整個(gè)模型的全生命周期的合法使用，這同樣對模型的知識產(chǎn)權(quán)進(jìn)行了很好的保護(hù)。另外，針對數(shù)據(jù)攻擊、數(shù)據(jù)投毒這一部分行為，我們通過進(jìn)行模型鎖定、參數(shù)鎖定和數(shù)據(jù)樣本鎖定的方式去防御數(shù)據(jù)投毒?！?/p>

但在諸多的大模型發(fā)展的隱憂中，不僅僅有私域數(shù)據(jù)的隱私保護(hù)問題，還有樣本分布不均衡導(dǎo)致模型本身的公平性問題，這該如何解決？ 范力欣表示，樣本分布不均衡導(dǎo)致模型不公平性的問題在大模型之前或者聯(lián)邦學(xué)習(xí)之前已經(jīng)提出來了，這個(gè)問題的基本的解決方案是有整體思路的：在訓(xùn)練模型時(shí)我們不僅僅是提升模型性能，而是對公平性、可解釋性、魯棒性等一系列跟倫理相關(guān)的目標(biāo)都作為優(yōu)化的約束條件或者優(yōu)化的多目標(biāo)一起來參與學(xué)習(xí)訓(xùn)練。

這種思路在理論上提出了“多目標(biāo)聯(lián)邦學(xué)習(xí)優(yōu)化”的“可信聯(lián)邦學(xué)習(xí)”技術(shù)框架。在實(shí)際應(yīng)用中，需要用相應(yīng)的算法去一一衡量這些不同目標(biāo)之間的平衡。

范力欣說：“我們模型性能要好，這是一個(gè)基本要求，但同時(shí)我們要保證它的公平性、可解釋性要做到可度量的，并且跟模型性能一起來進(jìn)行優(yōu)化。比如我們聯(lián)合多家機(jī)構(gòu)承擔(dān)的國家科技部科技創(chuàng)新2030-‘新一代人工智能’重大項(xiàng)目里面就應(yīng)用了這樣的解決方案，效果顯著?！?/p>

聯(lián)邦大模型從誕生開始就備受矚目，未來將助力重塑金融、零售、工業(yè)等多行業(yè)的數(shù)字化形態(tài)。相關(guān)應(yīng)用場景包括在金融領(lǐng)域的智能客服、內(nèi)容風(fēng)控、金融資訊情感分析、文本意圖識別、營銷場景智能創(chuàng)意生成和優(yōu)化等。盡管機(jī)構(gòu)自身擁有的數(shù)據(jù)量和算力可能不足，卻仍然可以通過發(fā)揮大模型的優(yōu)勢，安全合規(guī)地提升客服、營銷、風(fēng)控的效果。

人工智能正在經(jīng)歷從計(jì)算、感知到認(rèn)知的發(fā)展階段。聯(lián)邦學(xué)習(xí)、可信聯(lián)邦學(xué)習(xí)以及聯(lián)邦學(xué)習(xí)大模型，在保證安全、高效的要求下，進(jìn)一步滿足了可解釋性和普惠性等人工智能倫理的核心命題，將看似為難的“既要，又要”，變成了可以將之平衡的解決方案，這也將為人工智能生態(tài)的良性可持續(xù)發(fā)展提供助力。（新華網(wǎng) 曹素妨）

關(guān)鍵詞：