要是给语音助手的数据量不够，比如只给几千条，会怎么样？它可能只能听懂“标准普通话”，而且得是说话速度中等、声音大小适中的那种。要是遇到说话带口音的人，比如一个东北人说“帮我整个明天8点的闹钟呗”，它可能就听不懂“整个”是啥意思；遇到说话声音特别小的人，它可能连“定闹钟”这三个字都听不清，最后要么没反应，要么执行错指令，这就是数据量不够导致的“能力不足”。
这就像做饭的时候米放少了：要是一家人吃米饭，你只放了一碗米，煮出来的饭肯定不够吃；就算勉强够吃，水要是没放对，还可能煮出夹生饭，吃着又硬又难吃。AI的数据量不足，就跟煮夹生饭一样，不仅“能力不够”，还可能出错，没法应对真实生活里各种各样的情况。
再比如AI做“人脸识别”，现在很多小区进门、手机解锁都用人脸识别。要让AI准确认出每个人，也得有足够多的人脸数据。比如一个小区有1000个住户，AI不能只收集每个人一张正面照，还得收集他们侧脸、低头、戴眼镜、留胡子、扎马尾辫等不同样子的照片，每个住户可能得收集几十张，加起来就是几万张数据。要是只收集每个人一张正面照，那住户戴了帽子、换了发型，AI可能就认不出来了，这也是数据量不够的问题。
所以说，数据的“量”直接决定了AI的“能力边界”：数据越多，AI能覆盖的情况越广，应对复杂场景的能力越强；数据越少，AI的能力就越局限，只能处理最简单、最标准的情况。
四、数据的“相关性”更重要：不对味，再多也没用
除了“量”，数据还有一个更关键的要求——“相关性”，也就是数据得“对味”，得跟AI要做的任务有关系。要是给的 data跟任务没关系，就算数据量再大，AI也白学，根本做不好事情。
咱们还是拿“认猫”举例子：要是你想让AI学会识别猫咪，结果给它的全是狗狗、兔子、仓鼠的图片，就算给它1000万张，AI也不知道“猫”长啥样。因为这些数据跟“认猫”没关系，AI学的全是“狗有四条腿、会汪汪叫”“兔子有长耳朵、会蹦跳”，根本学不到猫的特征，最后肯定认不出猫。
这就像厨师想做红烧肉，结果手里只有青菜、面粉、西红柿，没有猪肉、酱油、糖这些关键食材，就算厨艺再高，也做不出红烧肉，顶多只能做个青菜面、西红柿炒蛋。食材不对，再努力也白费；数据不对，AI再先进也没用。
咱们再讲个真实的行业案例，更能说明问题。之前有个外卖平台，想让AI预测用户的“点餐偏好”，比如用户平时喜欢吃辣还是吃甜，喜欢吃米饭还是面条，这样就能给用户推荐他们可能爱吃的外卖，提高下单率。
一开始，平台犯了个错：他们没收集用户的“点餐相关数据”，反而收集了用户的“购物数据”，比如用户在电商平台买了啥衣服、啥化妆品、啥日用品。他们觉得“购物偏好能反映点餐偏好”，结果预测准确率特别低——比如用户买了很多裙子，AI就推荐清淡的沙拉，可用户其实爱吃重口味的火锅；用户买了男士剃须刀，AI就推荐啤酒、烧烤，可用户其实是个素食主义者。
后来平台改了，开始收集用户的“历史点餐记录”（比如过去一个月点了5次川菜、3次麻辣烫）、“浏览记录”（比如在平台上看了很多家汉堡店，虽然没下单）、“收藏记录”（比如收藏了好几家甜品店），这些都是跟“点餐”直接相关的数据。结果一改，AI的预测准确率立刻提升了40%——用户之前常点麻辣烫，AI就推荐同类型的冒菜、麻辣香锅；用户收藏了甜品店，AI就推荐那家店的新品蛋糕，用户下单率也跟着涨了。
这事儿就充分说明：数据的“相关性”比“量”更重要。就算数据量不大，但只要跟任务相关，AI也能学准；要是数据不相关，就算量再大，也是白费功夫。就像咱们学生考试，要是复习的时候只看跟考试无关的书，比如考数学，却看了一堆语文小说，就算看再多，数学也考不好；只有看数学课本、习题册，才能考出好成绩，AI也是这个道理。
五、现在的大模型：靠万亿级数据，才成了“通才”
咱们现在常听人说“AI大模型”，比如GPT-4、文心一言，这些大模型跟之前的AI不一样，它们像“通才”一样，能做很多事情——能写文章、能做PPT、能翻译外语、能帮人改代码，甚至还能跟人讨论哲学问题。为啥它们这么厉害？核心原因还是“数据”——它们背后有万亿级别的数据支撑。
之前的AI，比如咱们说的语音助手、早期的图像识别AI，大多是“专才”，只能做一件事：语音助手只能听说话、执行简单指令，没法写文章；图像识别AI只能认图片，没法翻译。因为它们背后的数据量不够大，而且类型单一——语音助手只有语音数据，图像识别AI只有图片数据，所以只能学一样技能。
这章没有结束，请点击下一页继续阅读！
喜欢大白话聊透人工智能请大家收藏：(m.zuiaixs.net)大白话聊透人工智能醉爱小说网更新速度全网最快。