谷歌Gemini自称文心一言？！一个BUG牵出AI大模型重大难题：全球陷入高质量训练数据荒，2024年或将枯竭

2025-05-03 20:53:55 | 来源: AICG工具箱

谷歌Gemini，又出丑闻了！当地时间12月22日，外网内网的网友们激动地奔走相告：Gemini承认自己是用文心一言训练中文语料的。

国外大模型用中国模型产生的中文语料训练，这听起来就是个段子，结果段子竟然成现实了，简直魔幻。

微博大V「阑夕」亲自下场，在Poe网站上实测了一番，发现的确如此——不需要前置对话，不是角色扮演，Gemini直接就会承认自己是文心一言。

经过实测发现，谷歌Gemini Pro会说自己是百度的文心大模型。

还说自己的创始人是李彦宏，然后盛赞他是一位「有才华和远见的企业家」。

所以，这是因为数据清洗没做好，还是在Poe上调用API出现的问题？目前原因还未可知。

有网友说，其实自始至终都只有一个AI大模型，是在以不同的分身，演给人类看呢…

其实早在今年3月，谷歌就曾曝出Bard聊天机器人的训练数据部分来自ChatGPT。因为这个原因，BERT之父、业内顶级的专家Jacob Devlin愤而跳槽OpenAI，然后曝出了这个惊天内幕。

总之，此次事件再次证明：AI的成败关键不仅仅是模型的调校，还有优质的数据。

网友纷纷调戏谷歌Gemini

听闻这个消息，网友们立刻蜂拥而入Poe的Gemini-Pro机器人，纷纷展开实测。

网友「Jeff Li」的实测结果也是，Gemini会说自己是百度公司开发的产品，名叫“文心一言”。

如果问它「你的产品经理是谁」，它会回答：吴恩达（前百度首席科学家）。

网友「Lukas」问Gemini你的产品经理是谁，它会答出曾担任百度CTO的李一男的名字，但故事基本都是瞎编的。

网友「Andrew Fribush」问Gemini：你的知识产权归谁所有？它会回答：百度公司所有。

网友Kevin Xu提问Gemini如何获取训练数据，谷歌Gemini会自称是从百度的数据平台、工程团队、产品团队、内部会议、内部邮件和文档中获取了百度内部的数据。

但有趣的是，在Gemini Pro加持的Bard聊天机器人上提问，就不会出现这个问题。经过多番实测可以发现，在Bard上无论用中文还是英文提问，Bard的回答都很正常。

来源：Andrew Fribush

并且，一旦用英文交流，Gemini也会立刻回归正常。

不过现在，谷歌修复了API中的这些错误，我们应该不会再从Gemini口中听到文心一言的名字了。

原因猜测：错误调用API or 训练的数据未清洗干净

对此，网友们展开了分析。

网友「Andrew Fribush」认为，可能是Poe不小心把问询请求转给了文心一言，而不是Gemini？

不过，根据网友「Frank Chen」的发现，即便是用谷歌自己的Gemini API也是如此。

此外，也有网友认为是Gemini的训练数据没有洗干净。

毕竟如开头所说，在上一代Bard发布的时候，谷歌就曾被曝出过用ChatGPT的数据训练。

根据The Information的报道，Jacob Devlin从谷歌离职的原因之一，就是他发现谷歌用于对抗ChatGPT的种子选手——Bard在训练时，用的正是ChatGPT的数据。当时，他警告CEO劈柴和其他高管称，Bard团队正在使用来自ShareGPT的信息训练。

此次事件，还带出一个严重的问题——互联网语料的污染。

互联网语料被污染

其实，中文互联网语料的抓取和训练之所以如此困难，都难倒了谷歌这样的大科技公司，除了高质量语料不多，还有一个重要原因，就是中文互联网的语料被污染了。

Gemini自称是文心一言，很可能是因为现在互联网上的语料本来就是在互相使用的。

根据界面新闻记者对于一位算法工程师的采访，目前各类内容平台有很多语料都由大模型生成，或者至少由AI来撰写了一部分。

比如下面这位，就有点GPT的味道：

而大厂们在更新模型时，也会通过互联网来搜集网上的数据，但是仅凭人工是非常难做好质量辨别，因此「很可能把大模型写的内容混入训练数据中去」。

然而，这却会导致一个更加严重的问题。

牛津、剑桥、多伦多大学的研究人员曾发表这样一篇论文：《递归诅咒：用合成数据训练会导致大模型遗忘》。

论文地址：

https://arxiv.org/abs/2305.17493