在“AI青年科学家圆桌论坛”第1期中，6位青年学者围绕“AI for Science？还是Science for AI？”主题开展了精彩对话。（点击查看第1期内容）
数据为王，还是模型至上？第2期对话聚焦AI发展的核心要素——模型与数据，6位青年学者将探讨两者在AI技术革新中的重要作用，以及如何在实践中做出明智的选择与权衡。
丛润民
山东大学教授
首先，我们需要明确这是“or”还是“and”的问题。数据是为了驱动模型的训练，其最终目的是服务于模型所能实现的效果、功能和任务。从本质上看，模型与数据是统一的。去年NIPS（神经信息处理系统大会）上有观点提出，目前全球现有的图片和视频数据资源，大约还能为深度学习模型的训练提供支持直至2028年。因此，从数据的角度上，现在许多研究转向生成式方法，但这也带来了数据真实性和完备性的问题。假设从数据为模型服务的角度来讲，我们要去做一些生成式的研究工作。从模型层面来看，我们尽可能使用少量的数据，或者是成本较低的标注数据来驱动模型训练。无论是从数据层面还是模型层面进行研究，两者都是交织融合、共同发展的。好的模型会优化数据的生成方式，进而产生更高质量的数据来驱动模型的训练。
刘昊
宁夏大学教授
大模型的发展依赖于三驾马车：算力、数据和算法（即模型）。对于我们地方大学而言，更关注垂直领域的模型，例如需要当地的文化旅游、医疗等数据，那么数据的质量、可用性和安全性至关重要。数据的获取、清洗和整理过程繁琐且关键，因为数据质量直接影响模型效果。在垂直领域，大模型可能提供框架和共识，但具体应用中可能需结合中模型、小模型。培育模型依赖数据的整理、质量，训练模型依赖于算法、算力。未来，大中小模型的协同可能是最佳方向。
武越
西安电子科技大学副教授
若抛开其他因素都不管，模型和数据无疑都非常重要。这让我想起了F1赛车，赛车（模型）和车手（数据）的完美结合才能赢得比赛。在AI领域，算力、模型和数据同样相互制约。在资源有限的情况下，我们需要根据现有条件调整模型和数据处理方式。很多时候，我们的需求并不需要追求极致，而是在现有条件下达到满足需求的效果。数据和模型的问题，肯定是一个长期困扰的问题，因此，数据和模型的选择应根据具体应用需求进行取舍。
余肇飞
北京大学研究员
我赞同武老师的观点。数据和模型谁更重要取决于应用场景。在通用AI模型中，数据肯定很重要；当数据量相对充足时，对模型复杂度的需求可能会相应降低，即便一般的模型，也可能展现出优良的性能。而在资源受限的场景下，如医学影像、气象预测等领域。数据难以获取时，那对模型的要求就比较高。以往，数据都是为模型服务，随着大模型的发展，在迁移学习和多模态处理方面展现出了很好的性能。例如，通过文字生成图片的技术，不仅生成了很多数据资源，也为我们提供了服务。因此，数据和模型之间的关系日益密切，两者都至关重要。
赵铁松
福州大学教授
数据和模型都非常重要。未来，如果假定说AI更像人的话，那么少量的、简单的数据结合预装的模型就能达到很好的识别效果。未来的研究趋势可能会更加侧重于开发真正通用的AI模型，这也是当前研究的热门方向。理想状态下，我们期望拥有一个高度通用的模型，仅需通过少量特定数据的微调，就能使其适应并优化至符合特定应用场景的需求。在实际应用中，我们需要根据具体情况在数据和模型上进行取舍。有时提升数据质量可能效果更明显，而模型优化则可能带来更长久的影响。
相关推荐
