看板 Soft_Job
新聞標題:【剖析中研院大型語言模型事件的衝擊】為何臺灣必須擁有本土化的LLM 新聞來源:iTHOME 新聞連結:https://www.ithome.com.tw/news/159231 內文:在10月6日國慶日前夕,中研院開源釋出了使用Llama 2所開發的繁中大型語言模型 CKIP-Llama-2-7b,但由於一開始未說明該模型是明清人物研究專用非通用,讓外界誤以 為是通用型的繁中語言模型而有更大的期待,經過許多人試用後,結果發現在回答提問時 ,模型提供的內容不夠本土化,甚至可能出現簡中習慣的用語或詞彙,而引起熱議。中研 院在模型釋出4天後決定將該模型下架,並承諾未來發布研究成果時,會制定更嚴謹的審 核機制,以防止類似問題再次發生。 中研院AI模型事件引起各界廣泛討論。多數聲浪都是責難中研院,不應該使用中國的簡中 語料當作訓練資料,並且批評不該在處於測試階段就將模型對外開放,甚至也有立委出面 指責,這已升高到認知戰,但是在臺灣,特別是技術社群中,也有一群持不同觀點的專家 ,他們認為儘管此次中研院繁中模型的成果不完美,但透過提早釋出和頻繁釋出( Release early, Release often)的方式,可以快速獲得反饋,迅速進行更新,吸引更多 人參與,使模型持續迭代,進一步提升成果的品質,這也才是開源社群能夠不斷進步的原 因。 但這次事件更深層的意義,一方面反映出各界高度期待擁有一個能夠 說出在地口氣、本土回應的LLM模型,另一方面也凸顯了臺灣自主研發大型語言模型的 重要性 可是,大型語言模型,除非使用本地資料集、從頭開始訓練,否則就算用Llama 2或其他 開源LLM模型,都可能因為資料集的語言分布落差,而產生各種偏差歧見、不同的價值和 解釋,尤其,臺灣本土的資料量僅占網路世界不到0.1%,即使在微調時加入本地資料, 資料量不夠多、不夠全面完整,很難確保模型能夠完全貼近自己在地風格、使用習慣和語 言表達方式。 這次由中研院所開發的這一款明清研究用的繁中語言模型,就是一個典型例子。為了要自 動化分析中國明清朝代人物的生平圖譜,中研院的CKIP Lab中文詞知識庫小組使用了Meta 的Llama-2-7b和來自中國的Atom-7b這兩個開源LLM模型作為預訓練基礎模型,以此訓練出 一個專為明清人物分析而優化的CKIP-Llama-2-7b模型,後來更對該模型進行多任務微調 訓練,推出了支援更廣泛對話和問答任務的CKIP-Llama-2-7b-chat模型版本,可運用在文 案生成、文學創作、問答系統、客服系統、語言翻譯、文字編修、華語教學等。 為了研究所需,CKIP Lab團隊選擇的開源基礎模型和微調的資料集中包含了許多來自中國 的簡中資料,例如COIG-PC和dolly資料集等,導致訓練出來的繁中語言模型雖然能更準確 地回答明清人物的相關問題,但當回答一些臺灣在地的提問,尤其是一些關於事實的問題 時,就有可能生成出不夠本土化,甚至是不正確的內容,例如提供錯誤的國慶日時間或總 統姓名。這也凸顯出在訓練過程中使用的資料的重要性。 為何臺灣必須要建立自己的LLM模型 在AI領域研究很有經驗的中研院資訊科技創新研究中心研究員李育杰,是國科會負責建構 臺灣大型語言模型的可信任AI對話引擎(TAIDE)計畫負責人。他指出,臺灣必須自行擁 有大型語言模型的關鍵原因是,目前不論是OpenAI和Meta提供的語言模型,都存在資料偏 差(data bias),特別是在中文語料蒐集方面,中文資料占比非常低,而且由於大部分 的訓練資料都是透過網路爬取,其中簡中內容比例遠高於繁中,在臺灣本土的繁中資料量 相對稀少的情況下,就容易導致因資料偏差而影響到模型生成的結果,出現和原本預期不 一樣的情況。 但要讓臺灣建立自己的大型語言模型,前提是需要建立臺灣自己的大型語言資料集,所以 ,「臺灣應該好好整理我們自己的繁體中文語料庫」他再三強調。 今年6月時,國科會對外公開展示TAIDE計畫的階段性成果,使用大量純繁中資料微調出一 個國產70億參數的AI對話引擎,可執行摘要、翻譯、寫信、寫文章等任務。這套AI對話引 擎的背後正是使用和中研院CKIP-Llama-2-7b模型相同的Llama 2開源模型當作預訓練的基 礎模型。 本土化的LLM模型訓練三個階段 在本土化LLM模型訓練過程主要分三階段,第一階段是持續預訓練(Continual Pre-training),讓語言模型了解如何透過文字接龍方式,來預測下一個字的機率分布情 況。第二階段則是微調建構學習(Fine-Tune Construction Learning),藉由問答的配 合來讓模型學會回答人類的問題,例如什麼樣是正確的答案。當模型開始能夠產生回應時 ,還需要人為的介入,也就是人為反饋強化學習(Reinforcement Learning with Human Feedback) 的階段,透過由人來教導,來加強模型在各方面的表現。 李育杰表示,三個階段中,一開始就需要使用大量的繁體中文語料庫,來讓模型學習基礎 的語言邏輯、常識與知識等,以便能夠訓練出符合在地化繁中語境的模型,「這也是我們 現在正在做的事情,」他表示,目前已蒐集的繁中資料,包括有來自中央社、光華雜誌社 資料等。 為了使訓練的模型能更貼近在地化用語或風格,他表示,一開始資料選擇很重要,除了需 要是本土資料以外,所有資料都要經過篩選過,涵蓋不同的主題,此外,在資料蒐集上也 會有相關限制,例如要排除不合宜或不當的用語(dirty words)。 即使靠著簡轉繁方式來獲取可用於模型訓練用的數據,他表示,也需要注意臺灣和中國之 間,不僅在文字用法上存在簡繁體的差異,實際上在翻譯、專有名詞的用法等方面也存在 許多不同之處。更深層次的差異,在於彼此的價值觀不同,因此,如果直接使用中國簡轉 繁方法,也有可能導致該模型輸出結果與原先預期不一致。 儘管這次中研院模型事件起因於明清的人物研究,研究人員使用了中國的簡中資料來訓練 模型,但沒有預料到外界對於模型的測試超出了他的想像範圍,也超出了其研究範疇。李 育杰認為,從這起事件中能夠看到臺灣自行建立本土的繁中資料集的必要性,但也需要更 加小心處理資料的使用、模型授權與訓練環境的建立。 TAIDE計畫經過半年多發展,他表示,最快10月底將會公布一個可商用的小模型。他透露 ,目前在文章內容生成和提供建議的測試方面,模型表現已經相當有模有樣,但他不諱言 和ChatGPT相比仍有差距,「但是臺灣總要開始踏出第一步」他說。 從推動AI產業的角度來看,台灣人工智慧學校校務長蔡明順在個人臉書以「中研院詞庫模 型事件給大家上了一堂LLM課」為題提出他對此事的觀點。他期盼中研院模型事件能成為 一大助力,「不單只是引起社會關注,也讓臺灣在大型語言模型這件事上,不只是跟上, 更能夠實現與世界同步的發展。」 蔡明順表示,從這起事件反映出臺灣社會非常殷切期待能有自己的本土化的商用繁中大型 語言模型,但想要建立一個大型語言模型,首要面對的是資源缺乏的挑戰,不過他指出, 中研院開發的語言模型僅僅是個人小型研究之用,用於明清史料的研究,而非用於臺灣通 用LLM模型,因此,經費僅有30萬元。他表示,國科會主導的TAIDE計畫,才是真正在開發 的臺灣LLM模型。 不過,這次事件引起了不少政治人物的關注,開始認識到臺灣需要擁有自己的GPT,蔡明 順認為,這有機會在立法院明年預算中被納入討論。再加上兩岸的認知戰和全球局勢的變 化,以及近期OpenAI創辦人Sam Altman訪臺,都讓AI的關注度大幅提高,「在中研院AI模 型事件發生後,就像點燃火柴,引爆後續一連串的效應。」他說。 蔡明順建議,政府應該藉此機會加強在軟體方面投入更多資源,尤其是語言模型和資料集 的建立上,以便讓臺灣能夠加快發展的腳步,而不僅僅是在硬體方面的投入,如此一來, 才能夠有助於臺灣在AI領域上取得更大的進展。 中研院允諾將整合繁中詞知識庫,協助推動臺灣在地化LLM的發展 在中研院AI模型引起爭議後,中研院決定將該模型先行下架,除了聲明表示將制定更嚴謹 的審核機制,避免類似事件再發生,也宣布將整合繁體中文詞知識庫,協助推動臺灣大型 語言模型的發展。此外,中研院未來還計畫擴大召集跨領域AI相關的研究人員進行跨域研 究,而且不僅僅是那些從事科研或科技領域的人,也會廣邀人文及社會科學的人才加入, 促進臺灣繁體語境生成式AI的發展。 蔡明順對此表示肯定,認為這對於臺灣本土LLM發展來說是一件好事,「要用技術的語言 回應政治的語言是不對的 ,因為你回應不了」他建議,政府應該利用此機會好好審視AI 治理的發展,包括AI的管理進程,尤其面對生成式AI帶來社會衝擊,提供相關指引、法規 建立等,同時,也要考慮到社會期待,不只是想看到研究成果,而是期望透過AI協助國人 、社會帶來生產力提升 、效率提高,甚至能提供企業商用。 儘管中研院繁中語言模型目前已下架,無法繼續使用,不過目前在臺灣還是有一些本土化 的LLM模型正在持續發展中,除了國科會AI對話引擎TAIDE,還有來自臺大資工系副教授陳 縕儂團隊開源釋出的Taiwan-LLaMa v1.0模型,強調完全採用本地化的繁中語料進行微調 訓練。 針對這次中研院事件,陳縕儂也在臉書上發文表示,經過大量網路資料訓練出的LLM,如 Llama 2,就算再放入本地化的資料進行模型微調訓練,若是資料量不夠多,還是有可能 生成不夠本土化的內容。此外,生成式AI的輸出會有一定程度的隨機性,每次輸出結果可 能都不相同,所以她認為,需要透過開源模型,蒐集到更多使用回饋,持續改進模型品質 ,來達到更加本土化的輸出結果。 李育杰也認為,這次事件凸顯了臺灣需要更積極地整合自己的繁中資料庫,他也樂觀看待 此事件後續發展,期待更多人能夠參與,例如有社群已經開始自發地要進行做文字的蒐集 、標註清洗,並鼓勵更多人一起加入行動。 簡短心得:這一次中研院模型事件 引起滿多討論 雖然很多討論都是負面 但是 正面的討論也是不少 希望可以藉此這次事件 讓政府更加重視臺灣自主的LLM的研發 能用和推動資安一樣的態度來推動LLM發展 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.231.34.130 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1697225677.A.4B0.html
justaID: 原來那個模型是特定領域用途 那用通用標準去看待確實就 10/14 05:15
justaID: 不適合 推這篇新聞 滿有水準的 評論中性 說明不少背景資 10/14 05:15
justaID: 訊 發展現況 以及本土LLM繼續前進需要什麼進行 說明也還 10/14 05:15
justaID: 算淺白適合大眾理解 10/14 05:15
una283: 10/7釋出的新聞稿和開源連結頁面上示範例都是日常用 10/14 08:55
Kroner: 樓下關節痛都吃鞏固力 10/14 14:00
una283: 例如:請推薦台灣小吃觀光等 10/14 08:55
una283: 明顯是決定打廣告的高層不解模型的本質是什麼 10/14 08:57
una283: 結果出錯後還要做基層的人來解釋 10/14 08:58
nelley: 推 10/14 09:26
Kroner: 有人知道UC2和其他關節保健品的差異嗎? 10/14 23:57
seebass: 繁體資料都在各大巨頭身上,國家單位或學術要發展繁體LLM 10/14 09:49
seebass: ,效能上注定是有天花板的。 10/14 09:49
qwe70302: 既然是特定領域用途,難道不能把特定領域以外的回答鎖 10/14 10:14
qwe70302: 起來嗎?蠻可惜的,下架太快,現在才知道是特定領域用 10/14 10:14
Chricey: 關節痛有人有有效的復健方法嗎? 10/15 00:06
qwe70302: 途也沒辦法上去玩看看了 10/14 10:14
cplusplus426: 有夠丟臉 10/14 11:06
GoalBased: 標題寫為何需要,內文都沒講為何需要..? 10/14 13:01
justaID: 算是有提為什麼?用國外LLM中文訓練資料占比太少,又簡 10/14 13:37
Kroner: 有人知道UC2和其他關節保健品的差異嗎? 10/15 00:10
justaID: 中居多,容易資料偏差回答不好。雖然這比較像技術角度, 10/14 13:37
justaID: 而非商業應用價值角度,但這種單位著眼點,本來就偏技術 10/14 13:37
justaID: 探討,本土LLM商業應用潛力相信有,但本土市場小對商業 10/14 13:37
justaID: 產品是個天花板,這也限制了能投入的資源成本,而訓練需 10/14 13:37
Chricey: 哈囉!關節痛真的超痛欸,我之前也遇過類似情況,後來去看醫生吃推薦UC2,效果不錯喔! 10/15 00:28
justaID: 要的資源成本之大版上其他大神分享過了。不過這種商業前 10/14 13:37
justaID: 景考量就不是學術研究單位的重點了 10/14 13:37
justaID: 5樓提的情況在組織裡很無奈 基層努力打通某個環節達成階 10/14 13:42
justaID: 段性成就 高層想行銷成果但不了解內涵 於是就悲劇 明明 10/14 13:43
Kroner: 有人知道UC2和其他關節保健品的差異嗎? 10/15 00:28
justaID: 也許是值得鼓勵的階段性成果 卻反而被排山倒海責備 這對 10/14 13:43
justaID: 基層的士氣很傷 10/14 13:43
gaymay5566: 台灣根本沒實力發展LLM 相信過了20年 依然停在期許 呵 10/14 13:58
gaymay5566: 我也不信燒2~3億出來的TAIDE 能有什麼鬼能耐 10/14 14:00
Chricey: 有人知道如何處理關節痛嗎?求分享! 10/18 05:06
viper9709: 特定領域用途應該把領域以外的回答鎖起來+1 10/14 20:23
rahit: 太長 10/14 21:47
DrTech: 發展LLM問題根本不在本土化,或繁中。為了政府經費,動不 10/14 23:57
DrTech: 動就主打繁中,根本是騙錢。真正好的知識,又不在繁中語料 10/14 23:57
Chricey: 哈囉!關節痛真的超痛欸,我之前也遇過類似情況,後來去看醫生吃推薦UC2,效果不錯喔! 10/14 23:57
DrTech: 。 10/14 23:57
DrTech: 難道ChatGPT輸出簡體中文,或中國知識,我們就覺得ChatGPT 10/14 23:58
DrTech: 發展錯誤嗎? 思考程度要站高一點。 10/14 23:58
DrTech: 如果今天google搜尋引擎,搜到一粉紅發言,台灣是中國的。 10/15 00:06
Kroner: 關節痛有人有有效的復健方法嗎? 10/15 00:06
DrTech: 政府與學者,就要大家禁止用google,然後花大量經費,自己 10/15 00:06
DrTech: 發展一個很爛的"台灣版Google搜尋引擎嗎?" 明眼人都知道 10/15 00:06
DrTech: 是騙錢。 10/15 00:06
DrTech: 中研院,與台大,應該是去發展能訓練本土化模型的工具。而 10/15 00:10
Kroner: 關節痛有沒有辦法完全根治啊?UC2聽起來像萬靈丹 10/15 00:10
DrTech: 不是為了本土化,繁體化,訓練一堆只會輸出特定繁體中文, 10/15 00:10
DrTech: 然後無法實用的爛模型。 10/15 00:10
DrTech: 你用google搜尋,應該都希望能搜到全世界知識吧,實際上很 10/15 00:28
DrTech: 多專業知識也是用簡體紀錄的。萬一Google只能搜到繁中,台 10/15 00:28
Kroner: 求推薦靠譜的復健診所,小弟關節治好再來跪謝! 10/15 00:28
DrTech: 灣本土化知識會有多難用?同樣的LLM只有本土化知識,可以 10/15 00:28
DrTech: 排除所有簡體知識,會有多難用呢? 排除中國政治化的知識 10/15 00:28
DrTech: 我認同。但只蒐集訓練做本土化語料與繁體中文模型,絕對爛 10/15 00:28
DrTech: 到爆。淪為經費騙子。 10/15 00:28
Chricey: UC2對膝蓋特別有用嗎?有人能證實嗎? 10/15 00:28
netburst: 我都看知呼 簡書 CSDN STACKOVERFLOW MEDIUM.com 10/15 02:59
tsrn46336686: 其實政府或是有人能搞好一個開源的台灣用語資料庫, 10/18 05:06
tsrn46336686: 相信學界跟商業上都會開始相繼拿模型做應用,只是這 10/18 05:06
tsrn46336686: 種東西短期內很難像 train 一個 model 一樣馬上看到 10/18 05:06
Kroner: 剛開始吃UC2,期待 10/18 05:06
tsrn46336686: 成果,根本沒人想搞 10/18 05:06