熱門資訊> 正文
2025-07-28 14:12
炒股就看金麒麟分析師研報,權威,專業,及時,全面,助您挖掘潛力主題機會!
(來源:財聯社)
財聯社7月28日訊(記者 付靜 張校毓)一年一度的AI產業盛會世界人工智能大會(WAIC)正在上海舉行,財聯社記者現場觀察到,人形機器人、AI眼鏡等應用的展臺前頗為熱鬧,其背后的數據亦受到多方關注。
「數據既是AI模型的基礎,也是應用的基礎,數據準備佔模型訓練80%以上的工作量。大語言模型本質上還是對於基礎數據的知識的壓縮,其實本質上還是個統計學的模型。」中國電子雲高級副總裁黃鋒在接受財聯社等媒體採訪時表示。
WAIC2025期間,上海在建設語料基座方面釋放出明確信號:一方面通過進一步加大稀缺語料數據集、思維鏈數據集建設等方面專項工程,聚焦具身智能、科學智能,做優行業語料,構建多層次語料供給體系;另一方面,強化語料標準建設,升級語料運營平臺,進一步攻關數據合成、思維鏈數據集成等方面新技術,持續優化創新新型數據底座的建設。
據悉,前期上海已做了大量的語料數據庫建設,接下來不僅將注重高質量語料,還將佈局新的領域,重點在突破具身智能、強推理、稀缺數據集等三個專項。
由於高質量數據集建設面臨着目標定位模糊、實施路徑碎片化、技術底座薄弱三大難題,國家部委和地方政府注重「人工智能+數據要素」政策協同佈局。目前,建設高質量數據集也成為眾多領域企業佈局AI大模型的一大「重頭戲」。
財聯社記者最新獲悉,上海庫帕思科技有限公司(簡稱「庫帕思」)按上海市整體部署打造了全國首個語料運營公共服務統一門户,深化眾包眾創和開源開放的語料運營機制。庫帕思曾於WAIC2024期間發佈《語料庫建設導則》,今年則集中發佈了10項團體標準、3項行業標準、1項指南。
庫帕思董事長山棟明稱,數據正發生一系列變化,如從傳統的互聯網向學術密集型轉變、從兩維平面向立體高維轉變、從原生數據向合成語料轉變、從關注預訓練向后訓練轉變。為此,公司的做法包括重構語料數據的方法體系及基礎設施、鏈接行業生態。
勵訊集團(RELX)中國區高級副總裁張玉國在接受財聯社記者採訪時表示,語料資源長期供給不足,其根源在於數據資源供給機制尚不健全。「一個成熟的數據市場,應能支持企業按照自身需要,自主採購、加工、標註數據並高效完成合規驗證。目前這一市場鏈條尚未打通。」
WAIC2025期間,中國電子雲面向國家關鍵行業推出全鏈路AI解決方案,亦涵蓋多模態數據治理平臺。據悉,中國電子雲目前與國內超過五家國家實驗室和超過十家央企達成了高質量數據集合作意向。
黃鋒稱,近年大家越來越重視多模態的數據治理平臺工具鏈,但是市面上現在相對成熟的平臺不多。「中國電子雲多模態數據治理平臺的定位,是通過一系列的治理動作把原始的數據集變成AI ready的數據集,包括文本解析、關鍵信息提取、數據標準化、歸一化、去重等工作。平臺的產出是高價值、高密度、標準化的數據,可以直接用於模型訓練,也能有效提升模型的效果和性能。」
「今年以來B端客户對大模型應用落地意願增強了,但落地快不快也得看企業自身的數據好不好。」一家AI方案商相關負責人也對財聯社記者如此表示。
對於上述現象,中國工程院院士、清華大學教授鄭緯民總結為,「企業擁抱AI有章可循:找準核心問題、用好高質量數據、微調基礎大模型即可見效。」
高質量數據集是指用於訓練、驗證和優化大模型而收集、整理、標註形成的覆蓋行業核心專業知識和生產經營活動的數據資源集合。2023年12月31日,國家數據局等17部門聯合印發的《「數據要素×」三年行動計劃(2024-2026年)》提出,推動科研機構、龍頭企業等開展行業共性數據資源庫建設,打造高質量人工智能大模型訓練數據集。今年4月30日,《高質量數據集建設指南(徵求意見稿)》發佈。
談及為何國家數據局強調高質量數據集,黃鋒分析稱,真正要落地智能體應用時,如果做行業模型所需的數據集沒有準備好、從數據知識庫的構建到應用開發平臺的數據沒有準備好,大概率會模型效果不好。
值得注意的是,WAIC期間,不少領域的企業介紹了各自高質量數據集的建設進展。
例如:東航數科董事長高志東稱,東航正在着力構建安全、營銷、服務、運行、機務、管控等多領域數據集。高志東坦言,在此過程中東航遇到了跨主體數據共享難度大、缺乏統一標準、多源異構數據融合難等挑戰。
此外,廣州國家實驗室助理研究員邵健表示,為解決可穿戴設備「數據質量」問題,當前廣州國家實驗室正建設一個25萬人規模的高質量多模態數據資源庫,依託多模態數據和高質量可穿戴數據,希望發掘出能反映呼吸疾病早期進展的數字標誌物,實現對於相關病症「預測風險」。