📝📝：資料的近親繁殖｜失去「新鮮的數據」終將導致 AI 模型吞噬自己

由 Leonardo AI 生成

本文參考自一份聯合研究《𝐒𝐞𝐥𝐟-𝐂𝐨𝐧𝐬𝐮𝐦𝐢𝐧𝐠 𝐆𝐞𝐧𝐞𝐫𝐚𝐭𝐢𝐯𝐞 𝐌𝐨𝐝𝐞𝐥𝐬 𝐆𝐨 𝐌𝐀𝐃》作者群繁多，包含：Sina Alemohammad, Josue Casco-Rodriguez, Lorenzo Luzi, Ahmed Imtiaz Humayun, Hossein Babaei, Daniel LeJeune, Ali Siahkoohi, Richard G. Baraniuk。該研究於 2023 年發表，刊登於 arXiv。

在深度學習與生成式模型（Generative Model）快速發展的浪潮中，越來越多研究者與產業界開始使用前代模型產生的合成數據（synthetic data）去訓練新一代模型。

這種資料訓練的迴圈，形成了一條潛在的「自我消耗」路徑：

下一代的模型並非只從真實世界（real-world）收集資料，也同時將前一代模型所生成之合成資料納入訓練。

該研究指出，若在每次迭代中缺乏足量且新鮮的真實資料，生成模型的品質（quality）與多樣性（diversity）都會逐漸退化，最終將陷入所謂的模型自嗜（Model Autophagy Disorder, MAD）的狀態。

為了更具體地剖析該現象，本研究將模型自我吞噬的生成式訓練迴圈分為三類情境，並進一步探討「抽樣偏倚」（sampling bias）對品質與多樣性的顯著影響，同時說明如何才能避免模型長期表現走下坡。

​

自我吞噬生成模型（Autophagous Generative Process）

生成式模型（例如 GAN、Diffusion Models、StyleGAN、ChatGPT 等）在影像、文本及其他資料類型上的成果驚人。

隨著開源模型與商業服務的普及，海量合成內容被上傳到網路或匯入資料庫，這些合成資料在無形之中又回流並用於訓練新一代的模型。

如此一來，我們就得面對生成模型「反芻」前一代模型自己產生的合成資料的狀況，而出現連續的自我循環（self-consuming loop）。

自我吞噬迴圈對應的現象

在每一代的模型訓練中，如果加入的合成資料比例過高，而真實資料來源又不足或缺乏更新，可能使模型對真實分佈（reference distribution）的推算漸行漸遠：合成圖片或文字的品質下滑，或者多樣性崩潰。

若此過程重複足夠多次，便會觸發 Model Autophagy Disorder (MAD)，如同生物學中「狂牛症」的隱喻 — — 反覆餵食已被污染的食材，導致整個生態圈最終受害。

MAD（Model Autophagy Disorder）的要點

MAD 的核心在於，模型與真實分佈的距離會隨著模型的疊代、增長而越來越大。

同時，模型會在「品質」（能不能生成逼真的樣本）與「多樣性」（能不能覆蓋多種類型的真實樣本）之間產生惡化。

若長期缺乏足量的新鮮真實資料，品質或多樣性將不可避免地出現退化，不論是朝「模式崩潰」（mode collapse）或「高品質但缺乏多樣性」的方向，都同樣失衡。

​

三種自我吞噬的訓練迴圈

本分研究將生成式模型的自我吞噬歸現象，納為三種主要形態，差別在於每個世代（generation）在訓練新模型時加入多少新的真實資料，以及如何混合前代模型的合成資料（下圖皆來自本研究）：

完全合成迴圈（Fully Synthetic Loop）

在 t ≥ 2 的每一代模型，模型只使用前一代或前幾代模型生成的合成資料。沒有任何新的真實資料進入。

這個情境通常在一些「反覆微調」（iterative fine-tuning）流程中出現，例如研究人員反覆用自己模型產生的高品質樣本來精修自身。

由於真實資料不再補充，誤差和偏差會在每輪訓練時被反覆「放大」或「移位」，最終導致生成分佈與真實分佈之間的距離越來越大。

合成增強迴圈（Synthetic Augmentation Loop）

每個世代的模型訓練資料，由「固定的一批真實資料」與「前代生成的合成資料」組成。

固定真實資料幫助模型不至於完全遠離真實分佈，但若新資料不增加，隨著合成資料累積，模型最終依舊可能偏離真實分佈，因為固定的真實資料無法彌補前幾代模型演算所累積的偏差。

實務上常見於「資料不足」的情境下，研究者以合成方式擴大資料量（data augmentation），期望藉此提高模型的學習效果。

新鮮資料迴圈（Fresh Data Loop）

每個世代都能拿到新的真實資料（fresh real data），再加上從前代或前幾代模型產生的合成資料。

這是最接近真實世界大數據環境的情境，因為隨著時間推移，網路或資料庫中會同時包含人類產出的真實樣本和先前 AI 模型產生的合成樣本。

若新鮮真實資料的比重足夠，便能有效防止模型品質和多樣性的退化，使生成模式不至於完全「走火入魔」。

抽樣偏倚（Sampling Bias）的關鍵影響

研究者（或一般大眾）常常會特意挑選「看起來品質高」的合成樣本，捨棄品質低或有明顯瑕疵者，或者採用各種方式，壓縮合成樣本的多樣性以提升視覺品質。

這種作法在實務上相當普遍，可以用一個參數 λ 來代表抽樣時對「模態集中」的偏好程度；λ=1 表示完全不做偏倚，保持資料的多樣性，λ<1 則表示樣本分佈更集中在該模型的高密度區域，樣本較一致，但多樣性隨之下降。

λ=1 的影響

若 λ=1（無偏倚）的每一代模型產生的資料呈現「真實誤差隨機分布」，若真實資料不足，模型最終將走向品質和多樣性雙重下降。

λ<1 的影響

若 λ<1（有偏倚）此時模型「寧可」產生高品質、單一風格的樣本，且會更快速喪失多樣性。對某些應用而言，或許看似品質維持得還不錯，但其實真實分佈中的許多模式都不再出現（mode collapse）。

例如，文本生成可能會只產生有限幾種句型與詞彙，影像生成也可能只專注於顏色或構圖的某些樣式。

理論與實驗分析：三種迴圈下的行為

完全合成迴圈（Fully Synthetic Loop）

使用 MNIST 上的 DDPM 或人臉 FFHQ 上的 StyleGAN2 皆出現類似情形：

• 無偏倚（λ=1）：模型的分佈會漸漸偏移真實分佈，品質與多樣性都下降。
• 有偏倚（λ<1）：品質維持或甚至上升，但多樣性迅速瓦解。

若進行 t-SNE 視覺化可發現生成資料的模態越來越集中，最終只剩幾種典型形態，其他模式消失。

在完全合成迴圈中，缺乏任何新的真實樣本補充，再加上抽樣偏倚，就算可以得到好看或清晰的「單一模態」合成影像，長久來看仍是品質或多樣性的長期退化。

合成增強迴圈（Synthetic Augmentation Loop）

每個世代都會把前代模型的合成資料加進訓練集，同時仍保留最初那批真實資料。但真實資料不增加、不更新。隨著迭代，合成資料的比例往往越來越大。

MNIST 上的 DDPM、FFHQ 上的 StyleGAN 實驗顯示：

• 若沒有抽樣偏倚（λ=1），生成的品質和多樣性仍會隨代數降低，只是衰退速度較「完全合成迴圈」慢一些，因為還有一小部分真實資料「定錨」。
• 若有抽樣偏倚（λ<1），同樣地，品質或許可以暫時保住，但多樣性下滑更快。

固定的一批真實資料可以延緩衰退，但無法從根本上阻止模型走向 MAD。時間一久，這些固定真實資料不足以彌補偏差的累積。

新鮮資料迴圈（Fresh Data Loop）

每個世代都注入來自真實分佈的新樣本（fresh data）。同時，仍會蒐集前代模型所產出的合成資料。這最貼近於現實：隨時間增加，資料庫內同時堆積新鮮真實資料與前幾代 AI 合成資料。

若每一輪都有足夠比例的新鮮真實資料，模型就能有效避免完全崩壞。調查該「足夠比例」時，發現當合成資料數量相對於真實資料太多，或抽樣偏倚太嚴重，仍可能讓模型最終失去多樣性或品質。

但若維持一個合適的「真實樣本比例」，生成分佈在許多情況下能長期穩定，甚至合成資料在初期還能擴大有效樣本數，對模型表現有所助益。

關鍵是「多少真實資料才算夠」，合成資料如果在某臨界值以下，反而能起到擴充 dataset 的正面效果；一旦超過臨界值，模型的誤差會開始急速累積，使結果惡化。

預防 MAD 的建議 

避免「餵食」無限量的舊合成資料

從實驗可知，若每代都只或主要依賴舊合成資料，偏誤會在多輪訓練裡面逐步放大，最終走向品質或多樣性的大規模流失。

在醫學或高隱私領域，人們可能利用合成數據來避免隱私洩露，但也需要謹慎評估過高比例的合成樣本是否產生負面影響。

抽樣偏倚與水印（Watermarking）

在生活應用中，人們往往會只挑選「看起來最真實」的合成樣本上傳到網路或放入公開資料庫，導致實際上出現在「環境」中的合成資料帶有強烈偏倚，進一步加速多樣性的流失。

有些研究致力於給生成內容做「隱式簽名」或「水印」，以便未來能在大規模資料中過濾合成內容，避免訓練集被過量合成資料「汙染」。但同時要注意，水印本身也是一種隱藏特徵，若反覆重複，可能被放大至影響整體資料分佈。

確保足量的新鮮真實資料

若能在每一代訓練或每隔數代引入充分且多元的真實資料，MAD 便能被避免或至少延後。

訓練規模越大，需要的真實資料越多，否則長久下來合成資料相較之下變得過多，模型最終仍會退化。

文字和其他媒材

本文以影像生成為主軸，但文本、語音、表格或其他數據型態的自我吞噬迴圈，理論上同樣適用。大型語言模型若重複使用自己產生的文字訓練後續版本，也可能出現語言模式崩潰、詞彙多樣性消失等問題。

研究人員在近期也看到類似結果：若一個語言模型大量接觸自己的產出文本，久而久之可能產生嚴重的風格趨同（style convergence），或是錯誤的資料被不斷放大。

隨著 AI 內容創作工具的普及，合成資料比例確實不斷上升。無論是在圖像、語音，還是文字等領域，若每一代都過度依賴前一代合成資料，且缺乏充足且新鮮的真實資料，將導致長期品質與多樣性的惡化。

在實務操作上，唯有持續加入新且足量的真實樣本、謹慎控制合成資料比例或偏倚程度，以及發展更有效的檢測機制。

若缺乏制度或技術解決方案，未來開發者可能無法避免新一代模型在「骯髒」的環境裡訓練，累積的偏誤大到必須投入更多真實資源做矯正。