看。

    

    第一百八十四章 处理过了，干净

    周一上午十点，鼎盛大厦三十二层。

    张弛的办公室朝南，晴天的时候能看到陆家嘴的轮廓。今天有雾，窗外是一片均匀的灰白。

    刘亚光进来的时候，张弛正在看一份周报，头没抬：“说。”

    “源码那边对接上了。”刘亚光在沙发上坐下来，声音压得很低，“他们往算力集群里送的数据，我们这边实时能拿到副本。”

    张弛放下手机，看了他一眼：“现在进来的是什么？”

    “预训练的数据。”刘亚光说，“就是洗过的语料。”

    张弛皱了一下眉：“洗过的语料是什么意思？他们模型意图理解很强，是用的这个数据吗？”

    刘亚光正了正身子，同时摇摇头：“训练大模型不是一步到位的。”

    他停顿了一下，思考该怎么说：“我给您解释一下，这分几个阶段。第一步叫预训练。这个阶段喂给模型的是海量的原始文本网页、书籍、论文、论坛帖子，来源越杂越好，量越大越好，好一点的模型这个阶段要喂几万亿个词。模型在这个阶段做的事很简单，就是反复猜下一个词是什么。给它看「今天天气」，它猜「很好」；给它看「深度学习的本质是」，它猜「优化」。猜对了往前走，猜错了调参数，反复几千亿次，模型就慢慢学会了语言的规律，学会了世界上大量的知识和常识。”

    张弛点点头。

    刘亚光继续说道：“这个阶段的数据不需要人工标注，有什么文本就喂什么，但要先洗把乱码、重复内容、低质量的垃圾过滤掉，不然模型学了一堆噪声，反而有害。洗数据这个活听起来简单，但洗得好不好，直接影响预训练出来的模型底子有多扎实。”

    “那第二步呢？”

    “第二步才是让模型真正聪明起来。”刘亚光说，“要让它理解人的意图，知道同样一句话背后用户真正想要什么，这需要另一批数据，那些专门标注过的，一条一条告诉模型「这个场景下正确答案是这个」。这批数据量小很多，但每一条都要人工判断，很难批量生产。按照您之前告诉我的，源码的模型之所以意图理解强，核心就是这批标注数据。”

    张弛听完总结道：“他们现在进来的是第一步的数据，但我们真正想要的是第二步的那批。”

    “对。”刘亚光肯定道。

    张弛看向窗外思考了几秒，又问：“技术上能确认，他们往云上送的数据，我们全都能拿到？”

    “应该能的。”刘亚光说，“只要数据进了他们用的算力节点，我们这边就有完整副本，他们那边看不出来。”

    张弛靠回椅背，语气平稳：“那先把这批预训练的语料导出来用。”

    刘亚光有些惊讶：“这批数据没有标注，价值有限，我们自己也有语料”

    “我知道。”张弛说，“我不是为了这批数据。主要是看看这条通道稳不稳，能不能安全导出。先跑一遍，如果他们那边没有动静，路径没问题，后面就好办了。”

    他似笑非笑一下，补充道：“反正不用白不用，给坤元那边送过去，用不用看他们了。”

    刘亚光点了点头，说：“明白了，张总。”

    从张弛办公室出来，刘亚光一路出了鼎盛大厦，坐上了去鼎盛云园区的公交车。

    刘亚光的工位在云园区，他今天是特意来给张弛当面汇报的。

    下午两点，刘亚光在工位上给张弛发了条消息：“张总，数据弄好了。”

    张弛过了几分钟才回复：“干净吗？”

    刘亚光：“处理过了，干净。”

    张弛：“给数据组发过去吧。”

    刘亚光放下手机，在电脑上打开内部通讯，给吴英豪发了个消息：“在吗？”

    然后他拿起手机，给吴英豪的微信发了一条：“有新数据。”

    不一会，吴英豪发了个戴绿头盔的表情包回来。

    刘亚光把一个加密压缩包的链接从内部通讯发了过去。

    然后他在微信里给吴英豪有发了一句话：“密码老样子，走数据入库流程，来源写外部采购，批次号我生成好了，你们填进去就行。”

    吴英豪的微信消息回复很快：“质量怎么样？”

    “洗过的，能用。”

    “好。”

    吴英豪不是第一次从刘亚光这拿数据了，这事不干净，两人有固定的默契。

    数据组每隔一段时间就会有这种批次进来，来源五花八门，有的是爬的，有的是买的，有的是“合作方共享”的。填外部采购是最干净的写法，因为采购来源很杂，审计不容易查到。

    这种事不是第一次，也不会是最后一次。

    三天后，坤元项目组。

    刘大海盯着屏幕上的一条曲线，看了大概三分钟没动。