原標(biāo)題：電商數(shù)據(jù)、影視作品、網(wǎng)絡(luò)文學(xué)……都是幫助AI成長的營養(yǎng)
喂飽人工智能，浙企有“料”
OpenAI又“炸場”了。近日，具備“聽、看、說”出色本領(lǐng)的“GPT-4o”亮相，新模型能夠處理50種不同的語言，還能讀取人的情緒。僅僅兩日后，OpenAI宣布與社交網(wǎng)絡(luò)Reddit建立合作伙伴關(guān)系，這個被稱為“美國貼吧”的平臺內(nèi)容，將被引入ChatGPT和其他產(chǎn)品中。
將兩條信息連起來看，當(dāng)大眾驚嘆于AI的訓(xùn)練速度時，不少業(yè)內(nèi)人士已嗅到一絲危機：全能，意味著需要更強大的語料庫來訓(xùn)練AI，而優(yōu)質(zhì)的AI語料已經(jīng)越來越稀缺。
AI語料，簡單來說，就是用于訓(xùn)練和優(yōu)化人工智能模型的數(shù)據(jù)集合。根據(jù)人工智能研究機構(gòu)Epoch的分析，在2026年前，科技公司很可能會耗盡互聯(lián)網(wǎng)上所有的高質(zhì)量數(shù)據(jù)。
數(shù)字經(jīng)濟發(fā)達(dá)的浙江，是國內(nèi)優(yōu)質(zhì)AI語料資產(chǎn)庫存區(qū)域之一。如何充分發(fā)揮AI語料的存量優(yōu)勢?應(yīng)對AI語料短缺的預(yù)期，浙江如何先發(fā)布局?
優(yōu)質(zhì)中文語料是稀缺資源
在AI大模型技術(shù)路徑逐漸清晰、各方搶占算力迭代產(chǎn)品的當(dāng)下，越來越多的業(yè)內(nèi)人士重新將目光投向驅(qū)動模型生成的“燃料”——語料。
“大模型就像初生的孩子，教它學(xué)習(xí)、成長的課本就是AI語料，編纂教材的過程就是構(gòu)建語料庫的過程?！焙贾莩鞘写竽X有限公司總經(jīng)理申永生形象比喻。目前，我國10億參數(shù)規(guī)模以上的大模型數(shù)量已超100個，每一個都“嗷嗷待哺”，更優(yōu)質(zhì)更豐富的語料資源，才能支持其更新迭代。未來，AI語料將是行業(yè)爭奪的新戰(zhàn)場。
城市大腦即是通過“消化”“吸收”優(yōu)質(zhì)語料，形成分析研判能力，不斷提升社會治理與服務(wù)能力?！耙环矫?，我們從各類用戶反饋端獲取語料，比如12345、留言箱、辦事窗口等信息，通過學(xué)習(xí)百姓與‘端’的互動數(shù)據(jù)，讓城市大腦更智能；另一方面，政府信息公開的數(shù)據(jù)也是語料來源之一，基于這類天然可抓取的數(shù)據(jù)，我們能提供匯總更多公共服務(wù)的信息?！鄙暧郎榻B。
盡管有雙重途徑獲取語料，但存量資源短缺的事實也擺在眼前。眾多大模型“饑腸轆轆”，但面對海量數(shù)據(jù)卻不能“饑不擇食”，因為原始數(shù)據(jù)需要經(jīng)過層層標(biāo)注與篩選，才會變成有價值的語料。
中文優(yōu)質(zhì)語料的供給，更迫在眉睫?！爸袊竽Ｐ桶l(fā)展要獲得突破，必然依賴于中文優(yōu)質(zhì)語料庫的建立?！鄙暧郎治觯壳岸鄶?shù)大模型的數(shù)據(jù)訓(xùn)練多以英文為基礎(chǔ)，如在ChatGPT的訓(xùn)練數(shù)據(jù)中，英文語料占比超92.6%，中文語料占比卻不足千分之一。語言的壁壘、流通的受限，使得中文優(yōu)質(zhì)語料在業(yè)內(nèi)成為“香餑餑”。
將語料數(shù)據(jù)化為生產(chǎn)力
在浙江，優(yōu)質(zhì)AI語料的存量優(yōu)勢明顯。
以阿里巴巴為代表的電商企業(yè)，擁有產(chǎn)品材料、客戶互動數(shù)據(jù)、電商直播素材等大量電商相關(guān)AI語料；商湯科技、?？低暤绕髽I(yè)，在AI視頻識別方面積累了大量可用數(shù)據(jù)；眾多MCN公司擁有海量短視頻素材；杭州的網(wǎng)絡(luò)文學(xué)作家村、之江編劇村等則是優(yōu)質(zhì)文本語料的儲藏地……
眼下，擁有語料“富礦”的浙企，已在暗自發(fā)力，利用自身擁有的語料資產(chǎn)，開發(fā)和優(yōu)化自研工具庫，拓展行業(yè)AIGC工具的應(yīng)用場景。
作為國內(nèi)電視劇行業(yè)的龍頭公司，華策集團正在探索將語料數(shù)據(jù)變?yōu)閯?chuàng)作生產(chǎn)力。企業(yè)擁有超5萬小時的影視素材，以及影視劇本、IP評估報告、宣發(fā)材料等文本素材，這些都是制作AI語料的原料?；趯I(yè)語料，華策集團AIGC應(yīng)用研究院訓(xùn)練并開發(fā)了一整套“影視劇本智能創(chuàng)作輔助系統(tǒng)”，集成了編劇助手、劇本評估、視頻檢索等多項功能。
“影視級別語料不僅質(zhì)量高，而且具有中華傳統(tǒng)文化特色，用影視語料訓(xùn)練出的大模型克服了海外大模型國外元素多或質(zhì)量低下的問題?！比A策集團AIGC應(yīng)用研究院副院長沈雄介紹，在高質(zhì)量語料的基礎(chǔ)上，華策自研的“有風(fēng)”大模型3分鐘內(nèi)就能完成一部IP作品的初篩，30分鐘內(nèi)能精確評估百萬字作品內(nèi)容，這樣的體量過去依靠人工需要一周以上的時間，極大地提高了工作效率。
另一家金融浙企同花順，擁有企業(yè)十幾年積累的自身數(shù)據(jù)及市場的公開金融數(shù)據(jù)，這些數(shù)據(jù)涵蓋了股票、基金、債券等各種證券類型，囊括了財經(jīng)領(lǐng)域的公告、新聞、研報等九大類語料，預(yù)訓(xùn)練金融語料達(dá)到了萬億級Tokens。
今年1月，同花順發(fā)布大模型問財HithinkGPT，成為市場上唯一集金融查詢、投資咨詢、資訊分析以及事件點評于一體的大模型。“專業(yè)的AI語料促進(jìn)了大模型技術(shù)和業(yè)務(wù)的創(chuàng)新，為金融領(lǐng)域提供了研究和開發(fā)的基礎(chǔ)資源?！逼髽I(yè)相關(guān)負(fù)責(zé)人表示，目前，同花順AI開放平臺可面向客戶提供智能金融問答、智慧政務(wù)平臺、數(shù)字虛擬人等多項AI產(chǎn)品及服務(wù)。
探路數(shù)據(jù)交易體系
隨著AI語料價值凸顯，眾多問題也浮出水面。今年初，《紐約時報》起訴OpenAI及其投資人微軟公司，指控二者未經(jīng)授權(quán)使用其數(shù)百萬篇文章訓(xùn)練大模型，打響了語料維權(quán)“第一槍”。
采訪中，不少企業(yè)表示，目前企業(yè)的語料數(shù)據(jù)主要用于開發(fā)和優(yōu)化自研工具庫，尚未與其他公司達(dá)成商業(yè)合作。“語料數(shù)據(jù)產(chǎn)品交易潛力巨大，但存在諸多不確定性，企業(yè)的擔(dān)憂在所難免?！鄙暧郎治?，除了版 權(quán)盜用的法律問題和訓(xùn)練模型存在的道德風(fēng)險、價值觀隱患，AI語料真正走向市場，最根本的是建立健全交易平臺和機制。
“這正是浙江搶占先機的重要方向。”申永生認(rèn)為，浙江已在數(shù)字經(jīng)濟領(lǐng)域占領(lǐng)高地，在語料儲備較充足的基礎(chǔ)上，可以從建立數(shù)據(jù)交易所開始嘗試，探索一條語料交易的新路。對此，浙江已下出“先手棋”。2022年，中國(溫州)數(shù)安港開園，直面數(shù)據(jù)不能共享、不敢共享、不愿共享“三不”難題，在全國數(shù)據(jù)要素市場化改革中探路先行。
兩年來，改革通過構(gòu)建數(shù)據(jù)安全合規(guī)體系、司法保障體系等方面數(shù)據(jù)基礎(chǔ)制度，確保流通交易合規(guī)，破解“不敢共享”難題；通過構(gòu)建數(shù)據(jù)金庫、聯(lián)合計算平臺、安全可信數(shù)據(jù)空間、公共數(shù)據(jù)授權(quán)運營域等數(shù)據(jù)基礎(chǔ)設(shè)施，為流通交易全過程提供技術(shù)保障，破解“不會共享”難題；通過構(gòu)建從數(shù)源歸集到數(shù)據(jù)產(chǎn)品流通交易的全鏈條產(chǎn)業(yè)生態(tài)，營造成熟的數(shù)據(jù)市場，破解“不愿共享”難題。
開園至今，數(shù)安港已落地企業(yè)311家，發(fā)布數(shù)據(jù)產(chǎn)品344個，成交6.6億元；與國內(nèi)七大數(shù)交所簽署戰(zhàn)略合作協(xié)議，設(shè)立了10個國家級數(shù)據(jù)安全實驗室與創(chuàng)新基地?！半S著數(shù)據(jù)交易市場的開放與完善，其訓(xùn)練出的大模型將為社會提供更精細(xì)化的服務(wù)，浙江數(shù)字經(jīng)濟將迎來新的飛升。”申永生說。
