胡堅(jiān)波：加快建設(shè)高質(zhì)量數(shù)據(jù)集， 推動(dòng)AI賦能行業(yè)發(fā)展

“數(shù)字經(jīng)濟(jì)內(nèi)參，數(shù)據(jù)產(chǎn)業(yè)專(zhuān)欄”。3月3日，胡堅(jiān)波（國(guó)家數(shù)據(jù)發(fā)展研究院院長(zhǎng)）發(fā)表文章。DataBlog轉(zhuǎn)載至此，僅供內(nèi)部參考。

隨著DeepSeek R1系列模型的發(fā)布，國(guó)內(nèi)掀起新一輪人工智能的熱潮，通信、互聯(lián)網(wǎng)、汽車(chē)、能源、金融、醫(yī)療、科技等龍頭企業(yè)紛紛宣布接入DeepSeek，人工智能大模型加速向各行各業(yè)滲透。

人工智能大模型的發(fā)展需要“數(shù)據(jù)糧食”，特別是高質(zhì)量數(shù)據(jù)集。高質(zhì)量數(shù)據(jù)集是人工智能大模型訓(xùn)練、推理和驗(yàn)證的關(guān)鍵基礎(chǔ)，是按照特定標(biāo)準(zhǔn)，經(jīng)過(guò)采集、清洗、歸類(lèi)和標(biāo)注等智能化處理，具有相應(yīng)更新和維護(hù)機(jī)制的數(shù)據(jù)集合。

1）建設(shè)人工智能高質(zhì)量數(shù)據(jù)集的重大意義

高質(zhì)量數(shù)據(jù)集建設(shè)有利于推進(jìn)“人工智能+”行動(dòng)落地見(jiàn)效，對(duì)數(shù)字經(jīng)濟(jì)乃至整個(gè)經(jīng)濟(jì)社會(huì)高質(zhì)量發(fā)展具有重大意義。

一是高質(zhì)量數(shù)據(jù)集建設(shè)是人工智能發(fā)展的客觀(guān)需要。人工智能大模型對(duì)數(shù)據(jù)集提出了新要求，數(shù)據(jù)集的質(zhì)量影響人工智能的智商。高質(zhì)量數(shù)據(jù)集是人工智能真正的“護(hù)城河”，人工智能大模型的訓(xùn)練和推理高度依賴(lài)高質(zhì)量數(shù)據(jù)集的供給。谷歌研究發(fā)現(xiàn)，對(duì)于圖像生成模型，當(dāng)計(jì)算資源受限時(shí)，數(shù)據(jù)集大小比模型大小更加重要。紐約大學(xué)的一項(xiàng)研究表明，大型語(yǔ)言模型在使用醫(yī)學(xué)數(shù)據(jù)訓(xùn)練過(guò)程中，即使含有0.001%的錯(cuò)誤信息，也可能導(dǎo)致模型輸出不準(zhǔn)確的醫(yī)學(xué)答案。

二是高質(zhì)量數(shù)據(jù)集建設(shè)是促進(jìn)我國(guó)行業(yè)數(shù)字化轉(zhuǎn)型的關(guān)鍵舉措。通過(guò)開(kāi)放公共數(shù)據(jù)和促進(jìn)企業(yè)數(shù)據(jù)流通，可以提升垂直領(lǐng)域人工智能大模型的能力，促進(jìn)傳統(tǒng)行業(yè)數(shù)字化轉(zhuǎn)型升級(jí)。例如，“蘇州絲綢紋樣數(shù)據(jù)集”匯聚了222件等級(jí)文物和7012片近現(xiàn)代絲綢樣本的高清數(shù)據(jù)，形成了3個(gè)具有較高水平的高清采集紋樣數(shù)據(jù)子集，并依托市場(chǎng)化機(jī)制，在絲綢紡織、網(wǎng)絡(luò)游戲、汽車(chē)、美妝、銀行、貴金屬等領(lǐng)域累計(jì)授權(quán)使用31批次，賦能蘇州絲綢文化傳承、文旅消費(fèi)和數(shù)字創(chuàng)新。

三是高質(zhì)量數(shù)據(jù)集建設(shè)是促進(jìn)各地?cái)?shù)字經(jīng)濟(jì)發(fā)展的重要抓手。近兩年，為促進(jìn)數(shù)字經(jīng)濟(jì)發(fā)展，國(guó)內(nèi)不同地區(qū)陸續(xù)推出各類(lèi)“大模型+數(shù)據(jù)集+算力”一體化創(chuàng)新基地。例如，上海徐匯區(qū)的“模速空間”、北京石景山區(qū)的大模型“超級(jí)工廠(chǎng)”、濟(jì)南市的“大模型創(chuàng)新工廠(chǎng)”、呼和浩特市的大模型訓(xùn)練基地等，為大模型訓(xùn)練推理提供了重要支撐，助力地方招商引資發(fā)展數(shù)字經(jīng)濟(jì)。

2)建設(shè)人工智能高質(zhì)量數(shù)據(jù)集的目標(biāo)和策略

人工智能正從以模型為中心，逐步轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為中心。高質(zhì)量數(shù)據(jù)集的重要性正成為社會(huì)各界的共識(shí)，大模型發(fā)展進(jìn)入多模態(tài)融合階段，應(yīng)全面打造大規(guī)模、多模態(tài)、多領(lǐng)域的高質(zhì)量數(shù)據(jù)集，建立人工智能發(fā)展新范式。建設(shè)人工智能高質(zhì)量數(shù)據(jù)集應(yīng)采用如下策略：

首先，堅(jiān)持場(chǎng)景化推動(dòng)高質(zhì)量數(shù)據(jù)集建設(shè)。當(dāng)前，人工智能應(yīng)用持續(xù)走深向?qū)崳卺t(yī)療、教育、零售、金融、制造、能源等領(lǐng)域?qū)崿F(xiàn)了初步應(yīng)用。建設(shè)高質(zhì)量數(shù)據(jù)集不能盲目跟風(fēng)、重復(fù)建設(shè)，不能僅限于將公共數(shù)據(jù)簡(jiǎn)單開(kāi)放，應(yīng)以終為始，從醫(yī)療、教育等重點(diǎn)行業(yè)入手，優(yōu)先突破人工智能應(yīng)用最迫切、最容易產(chǎn)生效果、最影響行業(yè)高質(zhì)量發(fā)展的數(shù)據(jù)集建設(shè)。

其次，堅(jiān)持體系化牽引高質(zhì)量數(shù)據(jù)集建設(shè)。高質(zhì)量數(shù)據(jù)分布在各行各業(yè)，離散性強(qiáng)，需要更好發(fā)揮政府作用，把行業(yè)企業(yè)、模型企業(yè)、數(shù)據(jù)企業(yè)、數(shù)字化解決方案提供商、數(shù)據(jù)交易機(jī)構(gòu)等多方主體組織起來(lái)，打造數(shù)據(jù)、模型、算力等協(xié)調(diào)聯(lián)動(dòng)生態(tài)體系，探索新模式。

再次，堅(jiān)持多元化促進(jìn)大中小企業(yè)融通創(chuàng)新。在建設(shè)高質(zhì)量數(shù)據(jù)集過(guò)程中，需要加強(qiáng)引導(dǎo)技術(shù)能力強(qiáng)、行業(yè)影響力高、產(chǎn)業(yè)鏈資源整合能力強(qiáng)的企業(yè)，依托行業(yè)領(lǐng)域應(yīng)用，多渠道吸納、聚合相關(guān)數(shù)據(jù)。強(qiáng)化中小企業(yè)產(chǎn)業(yè)鏈和生態(tài)系統(tǒng)意識(shí)，主動(dòng)融入大企業(yè)、大項(xiàng)目，發(fā)揮出“船小好調(diào)頭”、創(chuàng)新干勁足的優(yōu)勢(shì)，不斷對(duì)數(shù)據(jù)進(jìn)行深加工，形成本行業(yè)、本領(lǐng)域的高質(zhì)量數(shù)據(jù)集。

最后，堅(jiān)持安全合規(guī)為高質(zhì)量數(shù)據(jù)集建設(shè)保駕護(hù)航。高質(zhì)量數(shù)據(jù)集建設(shè)工程涵蓋數(shù)據(jù)采集、預(yù)處理、標(biāo)注、合成、質(zhì)量評(píng)估、開(kāi)放共享等全生命周期，不僅需要保證數(shù)據(jù)的數(shù)量、質(zhì)量和多樣性，更要確保數(shù)據(jù)來(lái)源的合法性、合規(guī)性和產(chǎn)權(quán)保護(hù)等，降低數(shù)據(jù)使用中的風(fēng)險(xiǎn)。

3）從六個(gè)方面推動(dòng)人工智能高質(zhì)量數(shù)據(jù)集建設(shè)

高質(zhì)量數(shù)據(jù)集是決定人工智能大模型性能優(yōu)劣的關(guān)鍵所在。為全力打造人工智能高質(zhì)量數(shù)據(jù)集，推動(dòng)大模型應(yīng)用邁向新高度，建議從高質(zhì)量數(shù)據(jù)集圖譜構(gòu)建、政策法規(guī)保障、建設(shè)指引制定、評(píng)測(cè)體系建設(shè)、跨域合作拓展、標(biāo)桿牽引示范等方面著手，推動(dòng)高質(zhì)量數(shù)據(jù)集建設(shè)邁上新臺(tái)階。

一是以服務(wù)大模型應(yīng)用為核心，繪制高質(zhì)量數(shù)據(jù)集建設(shè)圖譜，明確“建什么”。圍繞應(yīng)用需求牽引、典型場(chǎng)景切入、行業(yè)領(lǐng)域賦能、安全風(fēng)險(xiǎn)可控等維度，調(diào)動(dòng)政、產(chǎn)、學(xué)、研、用各方力量，梳理高質(zhì)量數(shù)據(jù)集典型場(chǎng)景和應(yīng)用需求等，繪制高質(zhì)量數(shù)據(jù)集建設(shè)圖譜，實(shí)現(xiàn)可查詢(xún)、可下載、可應(yīng)用，全面助力大規(guī)模、多模態(tài)的高質(zhì)量數(shù)據(jù)集建設(shè)。

二是以保障數(shù)據(jù)集建設(shè)為目標(biāo)，協(xié)同推進(jìn)政策法規(guī)的制定與完善，確定“依據(jù)在哪”。在政策層面，推動(dòng)各部門(mén)出臺(tái)針對(duì)性政策，強(qiáng)化高質(zhì)量數(shù)據(jù)集供給。鼓勵(lì)企業(yè)積極參與高質(zhì)量數(shù)據(jù)集建設(shè)，對(duì)在數(shù)據(jù)采集、清洗、標(biāo)注等環(huán)節(jié)投入較大的企業(yè)給予政策支持，降低企業(yè)建設(shè)數(shù)據(jù)集的成本。在法規(guī)層面，需加快明確數(shù)據(jù)權(quán)屬問(wèn)題，界定數(shù)據(jù)生產(chǎn)者、持有者、使用者和經(jīng)營(yíng)者的權(quán)利與義務(wù)，保障數(shù)據(jù)在合法合規(guī)的框架內(nèi)流通與使用，為高質(zhì)量數(shù)據(jù)集建設(shè)營(yíng)造良好的政策法規(guī)環(huán)境，促進(jìn)整個(gè)行業(yè)的健康可持續(xù)發(fā)展。

三是以解決現(xiàn)實(shí)問(wèn)題為導(dǎo)向，制定高質(zhì)量數(shù)據(jù)集建設(shè)指引，指明“怎么建”。組織跨行業(yè)交流，分享高質(zhì)量數(shù)據(jù)集建設(shè)經(jīng)驗(yàn)及面臨的問(wèn)題，總結(jié)建設(shè)方法論和問(wèn)題庫(kù)。針對(duì)問(wèn)題庫(kù)，以“揭榜掛帥”方式征集解決方案。在廣泛調(diào)研和總結(jié)基礎(chǔ)上，制定發(fā)布高質(zhì)量數(shù)據(jù)集建設(shè)指引，不斷優(yōu)化建設(shè)方案和路徑。發(fā)揮人工智能技術(shù)優(yōu)勢(shì)，對(duì)大量文本、圖像、音頻等數(shù)據(jù)進(jìn)行自動(dòng)標(biāo)注和分類(lèi)，批量構(gòu)建高質(zhì)量數(shù)據(jù)集。

四是以推動(dòng)標(biāo)準(zhǔn)建設(shè)為牽引，打造高質(zhì)量數(shù)據(jù)集評(píng)測(cè)體系，指導(dǎo)“怎么評(píng)”。一方面，通過(guò)對(duì)高質(zhì)量數(shù)據(jù)集的格式規(guī)范、類(lèi)型、質(zhì)量要求等方面的研究，開(kāi)展系列標(biāo)準(zhǔn)的研制及細(xì)化，為各行業(yè)領(lǐng)域在數(shù)據(jù)采集、標(biāo)注、加工治理、應(yīng)用推廣等提供標(biāo)準(zhǔn)化規(guī)范指引。另一方面，構(gòu)建涵蓋細(xì)分行業(yè)的高質(zhì)量數(shù)據(jù)集質(zhì)量評(píng)測(cè)方法、評(píng)測(cè)工具集。通過(guò)規(guī)范化的高質(zhì)量數(shù)據(jù)集評(píng)測(cè)工具，客觀(guān)地評(píng)判數(shù)據(jù)集的質(zhì)量等級(jí)和價(jià)值曲線(xiàn)，結(jié)合應(yīng)用需求不斷進(jìn)行迭代升級(jí)。

五是以探索跨域合作為重點(diǎn)，建立高質(zhì)量數(shù)據(jù)集流通利用新機(jī)制，闡明“怎么流通”。依托可信數(shù)據(jù)空間、數(shù)場(chǎng)、數(shù)聯(lián)網(wǎng)、數(shù)據(jù)元件等實(shí)踐方案，推動(dòng)醫(yī)療、交通、氣象、社保等多領(lǐng)域高質(zhì)量數(shù)據(jù)集在安全合規(guī)框架內(nèi)有序流動(dòng)，注重建設(shè)跨部門(mén)、跨行業(yè)、跨地區(qū)高質(zhì)量數(shù)據(jù)集。運(yùn)用區(qū)塊鏈、隱私保護(hù)計(jì)算等技術(shù)實(shí)現(xiàn)數(shù)據(jù)集的可溯源與安全保護(hù)，促進(jìn)跨域數(shù)據(jù)集交易流通，形成典型案例，催生新應(yīng)用、新模式，釋放數(shù)據(jù)要素乘數(shù)效應(yīng)。

六是以行業(yè)標(biāo)桿示范為牽引，發(fā)揮資金“風(fēng)向標(biāo)”作用，解決“用什么引導(dǎo)”。組織開(kāi)展行業(yè)領(lǐng)域高質(zhì)量數(shù)據(jù)集征集工作，鼓勵(lì)各行業(yè)、各地區(qū)的企業(yè)積極參與，形成各類(lèi)高質(zhì)量數(shù)據(jù)集庫(kù)，提高整體供給水平、供給規(guī)模。鼓勵(lì)各類(lèi)資金支持高質(zhì)量數(shù)據(jù)集建設(shè)，持續(xù)完善建設(shè)機(jī)制，積極推廣典型案例，全面助力人工智能賦能行業(yè)高質(zhì)量發(fā)展。

數(shù)字經(jīng)濟(jì)內(nèi)參DataBlog

數(shù)字經(jīng)濟(jì)內(nèi)參DataBlog：國(guó)家數(shù)據(jù)發(fā)展研究院成立于2024年，是國(guó)家數(shù)據(jù)局直屬的公益二類(lèi)正司級(jí)事業(yè)單位。作為國(guó)家級(jí)戰(zhàn)略科技力量的重要組成部分，研究院以服務(wù)國(guó)家數(shù)據(jù)事業(yè)發(fā)展為核心使命，聚焦數(shù)字中國(guó)、數(shù)字經(jīng)濟(jì)、數(shù)字社會(huì)建設(shè)，致力于打造國(guó)內(nèi)領(lǐng)先、國(guó)際一流的科研機(jī)構(gòu)。在國(guó)家數(shù)據(jù)局黨組的領(lǐng)導(dǎo)下，研究院通過(guò)前瞻性戰(zhàn)略研究、制度創(chuàng)新和技術(shù)支持，助力數(shù)字化驅(qū)動(dòng)中國(guó)式現(xiàn)代化，推動(dòng)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展。