NVIDIA Melancarkan Alat Sumber Terbuka untuk Latihan Model AI yang Selamat dari Segi Lesen

Peter Zhang 5 Feb 2026, 18:27

NeMo Data Designer daripada NVIDIA membolehkan para pembangun membina saluran data sintetik untuk penyulingan AI tanpa perlu risau tentang masalah lesen atau perlukan dataset bersaiz besar.

NVIDIA telah menerbitkan sebuah kerangka terperinci untuk membina saluran data sintetik yang patuh kepada lesen, sekali gus menangani salah satu isu paling rumit dalam pembangunan AI: bagaimana melatih model khusus apabila data dunia sebenar sukar didapati, sensitif, atau kabur dari segi undang-undang.

Cara ini menggabungkan NeMo Data Designer sumber terbuka daripada NVIDIA dengan titik akhir yang boleh disuling oleh OpenRouter untuk menghasilkan dataset latihan yang tidak akan mencetuskan masalah pematuhan di kemudian hari. Bagi syarikat yang terperangkap dalam proses semakan undang-undang berhubung lesen data, kaedah ini boleh memendekkan tempoh pembangunan sehingga berminggu-minggu.

Mengapa Isu Ini Penting Sekarang

Gartner meramalkan bahawa data sintetik bakal mengatasi data sebenar dalam latihan AI menjelang tahun 2030. Ini bukanlah kata-kata berlebihan—menurut tinjauan industri terkini, 63% pemimpin AI korporat sudah pun mengintegrasikan data sintetik ke dalam aliran kerja mereka. Pasukan Superintelligence Microsoft pada akhir Januari 2026 turut mengumumkan bahawa mereka akan menggunakan teknik serupa dengan cip Maia 200 mereka untuk pembangunan model generasi seterusnya.

Masalah utama yang ditangani oleh NVIDIA: kebanyakan model AI yang paling berkuasa datang dengan sekatan lesen yang melarang penggunaan hasil keluaran mereka untuk melatih model pesaing. Saluran baru ini memastikan pematuhan “boleh disuling” pada tahap API, sekali gus memastikan para pembangun tidak secara tidak sengaja mencemari data latihan mereka dengan kandungan yang terhad dari segi undang-undang.

Apa Sebenarnya yang Dilakukan oleh Saluran Ini

Aliran kerja teknikal ini memecahkan proses penghasilan data sintetik kepada tiga lapisan. Pertama, kolom pengambil sampel menyuntik kepelbagaian yang terkawal—kategori produk, julat harga, dan had penamaan—tanpa bergantung sepenuhnya pada keacakan LLM. Kedua, kolom yang dihasilkan oleh LLM menghasilkan kandungan bahasa semula jadi berdasarkan benih-benih tersebut. Ketiga, penilaian oleh LLM sebagai hakim menilai output dari segi ketepatan dan kelengkapan sebelum data tersebut dimasukkan ke dalam set latihan.

Contoh yang diberikan oleh NVIDIA menghasilkan pasangan soalan dan jawapan produk daripada katalog benih yang kecil. Sebagai contoh, penerangan sweater mungkin akan ditanda sebagai “Sedikit Tepat” jika model tersebut menghayalkan bahan yang tidak wujud dalam data asal. Gerbang kualiti ini sangat penting: data sintetik yang buruk akan menghasilkan model yang buruk juga.

Saluran ini beroperasi menggunakan Nemotron 3 Nano, model penaakulan hibrid Mamba MOE daripada NVIDIA, yang dihantar melalui OpenRouter ke DeepInfra. Semuanya tetap berbentuk deklaratif—skema ditentukan dalam kod, petunjuk dibina dengan templat Jinja, dan output disusun melalui model Pydantic.

Pasar penghasilan data sintetik mencapai $381 juta pada tahun 2022 dan dijangka meningkat kepada $2.1 bilion menjelang tahun 2028, dengan kadar pertumbuhan tahunan sebanyak 33%. Kuasa mengawal saluran-saluran ini semakin menentukan kedudukan persaingan, terutamanya dalam aplikasi AI fizikal seperti robotik dan sistem autonomi, di mana kos pengumpulan data latihan dunia sebenar boleh mencecah jutaan ringgit.

Bagi para pembangun, nilai segera yang dapat dirasai adalah dengan mengelakkan halangan tradisional: anda tidak lagi memerlukan dataset eksklusif bersaiz besar atau proses semakan undang-undang yang panjang untuk membina model domain khusus. Pola yang sama juga berlaku dalam pencarian korporat, bot sokongan, dan alat dalaman—di mana sahaja anda memerlukan AI khusus tanpa perlu bajet besar untuk pengumpulan data khusus.

Sumber imej: Shutterstock

• nvidia
• data sintetik
• latihan ai
• nemo
• pembelajaran mesin