聊天机器人每一个巧妙的应答背后都有海量数据（维权）作为支撑——在某些情况下，需要从文章、书籍和网上评论中摘取数万亿个词汇，以教会人工智能系统理解用户的询问。业界的传统观点是，建立下一代人工智能产品将会需要越来越多的信息。

　　然而，这个计划存在一个大问题：网络上能够提供的高质量数据是有限的。为了得到这些数据，人工智能公司通常的做法是，要么向出版商支付数百万美元以获得内容许可，要么从网站上下载数据，使自己面临版权纠纷的风险。越来越多的顶流人工智能公司正在探索另一种在业内引发分歧的办法：使用合成数据，从本质上来说就是假数据。

　　这种办法的工作原理是这样的：科技公司可以利用自己的人工智能系统来产生文字和其他媒体。然后，可以用这些数据训练同一个系统的未来版本，Anthropic的行政总裁达里奥·阿莫代伊（Dario Amodei）称之为潜在的”无限数据产生引擎”。这样一来，人工智能公司就可以避免引发许多法律、道德和隐私方面的问题。

　　在计算中合成数据的想法并不新鲜——这项技术已经被使用了几十年，涉及到从个人信息的去匿名化到自动驾驶技术路况模拟的各个领域。但是，产生式人工智能的兴起使人们可以更容易大规模建立质量更高的合成数据，而且也使这种做法有了新的紧迫性。

　　Anthropic表示，它使用合成数据来构建为其聊天机械人Claude提供支持的最新模型。Meta和Google已经使用这种数据来开发他们最近的开源模型。GoogleDeepMind最近表示，它依靠这种方法来帮助训练一个可以解决奥林匹克竞赛级别几何问题的模型。很多人猜测，OpenAI是否正在使用此类数据来训练其文字到影片影像产生器Sora。（OpenAI透露它正在探索使用合成数据，但不愿证实进一步的细节。）

　　在微软，产生式人工智能研究团队在最近的一个项目中使用了合成数据。他们希望构建一个规模较小、资源密集程度较低的人工智能模型，但仍具有有效的语言和推理能力。为了做到这一点，他们试图模仿孩子透过阅读故事来学习语言的方式。

　　该团队并没有向这个人工智能模型提供大量儿童读物，而是列出了四岁孩子能够理解的3000个词汇。然后，他们要求这个人工智能模型使用词汇表中的一个名词、一个动词和一个形容词来创造一个儿童故事。研究人员在几天的时间内重复了数百万次这个提示，产生了数百万个短篇故事，最终帮助开发出了另一个更强大的语言模型。微软已经将这个新的”小型”语言模型系列Phi-3开源并向公众开放。

　　微软产生式人工智能副总裁布贝克（Sébastien Bubeck）说：”突然之间，你拥有了远多于过去的控制