现代人工智能系统离不开数据。打个比方，人生下来是一张白纸，通过读书学习，慢慢掌握了各种知识。机器也是一样，刚开始只有非常基础的功能，当消化了大量数据以后，就变得越来越聪明了。从这个意义上说，数据就是人工智能成长所需要的粮食。
那么，要“养成”一个人工智能系统，需要什么样的数据作为它的“粮食”呢？
这个问题并不简单，因为不同的系统架构，不同的学习任务，不同的学习方法，对数据的需求都有所不同。例如，传统概率模型所需要的数据相对较少，而现代神经网络模型需要的数据则大的多。再比如，为了深入研究某一模型的基础特性，我们可能需要比较可控的、纯净的数据，甚至是合成的数据，以突出模型本身的特性；反之，如果我们的目的是在某一实际任务中取得更好的性能，则需要大量复杂的、和实地场景相符合的数据。
如果我们把讨论限定在当前流行的神经网络架构，并确定目标是在某一任务上的性能最优，则可以有一些方案帮助我们选择更有价值的数据。首先，我们可能需要一些“种子”数据构建一个基础系统。这些种子数据比较干净，比如办公室环境下录制的声音，对方配合条件下的人脸图片等。种子数据不必过多，过多的种子数据不会带来实地场景的性能提升。第二，挑选和实际应用场景尽量匹配的数据，用来提升基础模型的性能。通常来说，这部分数据要求的量比较大，带来的性能提升也最明显。第三，实际数据虽然有效，但也不是越多越好。当数据量积累到一定程度以后，性价比会显著下降。这时可能需要一些数据选择技巧，针对性地提高困难场景下的系统性能。第四，尽可能利用大量无标注数据。这些数据成本低廉，通过自学习、半监督学习等方式可有效提高系统的可扩展性。
总之，数据对人工智能至关重要，但人工智能并不只是堆数据，而是如何聪明地利用数据。总体的原则是，选择和目标任务最相关、边际收益最大的数据，同时配合模型结构和训练方法，提高系统的泛化能力和持续可学习能力，让每一次数据标注都成为人类对机器的宝贵指导。
By：清华大学 王东