創(chuàng)新性探索高質量數據 共建生態(tài)推動大模型應用落地

    本報記者 田鵬

    發(fā)展自主可控的大模型是我國搶占數據發(fā)展高地的必然選擇，而數據要素則是支撐大模型發(fā)展的重要引擎。

    7月8日，上海數交所總經理湯奇峰在2023世界人工智能大會“大模型時代下的數據要素流通”論壇上表示，大模型建設中，語料庫是一個非常重要的方向，語料庫采購已經在不少大模型企業(yè)成本中占據重要比重，上海數交所希望以市場配置的方式組織數據要素推動語料庫建設。

    在全球人工智能蓬勃發(fā)展背景下，數據與算力、算法共同構成了新一代人工智能發(fā)展過程中的三大要素。因此，意識到數據要素重要性的同時，更應該認清目前我國在數據要素利用過程中所面臨的阻礙。

    目前存在的阻礙有哪些？

    語料庫建設是一件長期性、專業(yè)性的工作，需要遵循相應的質量標準和規(guī)范，并保持持續(xù)更新和擴充，以適應大模型發(fā)展的新需求和新挑戰(zhàn)。

    “從與大模型相關企業(yè)溝通的情況來看，我國語料庫建設還存在供給不足、質量不高、多樣性匱乏、標準欠缺等現(xiàn)狀。”湯奇峰指出。

    “數據要素在人工智能大模型的發(fā)展中具有關鍵性的作用，決定了模型的訓練質量、性能表現(xiàn)和應用領域的廣度與深度。”在中國電子副總經理陸志鵬看來，大模型技術實現(xiàn)高質量發(fā)展，數據有效供給是關鍵，亟需建設安全可信的數據底座。當前數據合規(guī)確權、計量估價、協(xié)調分配、安全隱私保護等核心難題需要破解。

    科大訊飛大數據研究院院長譚昶表示，我們對大模型語料數據方面有三大關注點：首先，語料數據更新問題亟待解決。目前，大模型訓練都是按月為周期，能否實現(xiàn)以天為周期值得思考。其次，語料偏見問題目前需要通過一些規(guī)則模式將其屏蔽，但這種模式對于大模型來說是一種約束和限制。第三，數據安全問題不容忽視。

    在談及數據流通過程中面臨的問題時，中國知網副總經理張宏偉稱，在真正的交易流通里面有定價的問題，有確權的問題，有收益分配的問題，尤其是我們的數據，包括它的主體是多元的，有了數據分配之后，如何在這些利益主體之間分配，這個是非常難的問題。

    “破題”關鍵在何方？

    數據驅動三大變革，包括經濟結構、創(chuàng)新范式、企業(yè)模式。面向大模型，數據要素市場大有可為，多層次數據要素市場建設需要提供重要助力。因此，在認清數據要素流通過程中存在的問題之后，更應清楚“破題”關鍵所在。

    關于語料庫建設的挑戰(zhàn)，湯奇峰認為，可以根據開放程度強弱和數據質量高低將語料數據生態(tài)機構分出四類供方，制定差異化工作策略。同時，從政府引導市場主導、豐富種類提高質量、統(tǒng)一標準規(guī)范建設、加強監(jiān)管保障安全四個方向建設大模型時代下的語料庫。

    湯奇峰稱，針對數據質量高但開放程度低的供方，可以通過數據交易鏈有效破解語料數據流通的信任問題，“核心之一在于產權和參與大模型后的收益分配問題。”

    商湯科技聯(lián)合創(chuàng)始人楊帆認為，對于訓練數據的管理和監(jiān)督必不可少。同時，要實現(xiàn)數據開源，特別是訓練數據相關領域的開源，只有開源才是更加健全。

    在談及如何應對上述風險和阻礙時，張宏偉認為，各方權益的保護在某種程度為技術讓步的，但也不能過多讓步，保護創(chuàng)作者的利益仍然很重要。

    大數據流通與交易技術國家工程實驗室常務副主任黃麗華表示，多層次數據要素市場的建設需要有明確的數據需求應用場景，數據要素產權制度可以提供重要支撐，合規(guī)安全機制提供保障，基于這樣的一個市場，數據產品低成本、大規(guī)模可得才有可能實現(xiàn)，才能更好地賦能商業(yè)高效應用，促進數字化轉型。未來，顛覆性創(chuàng)新一定是基于數據+人工智能+行業(yè)專業(yè)知識發(fā)生的。

（編輯 孫倩）