“數據決定大模型性能上限”！國家數據局呼吁全社會強化數據要素價值認同

2025-09-02 15:05:38來源：財聯社作者：

“當前各方都普遍認為，數據資源非常重要，現在大家都愿意為模型、算力買單，我們也希望各行各業(yè)在推動行業(yè)大模型的應用過程中，也加大對數據資源的投入。再次呼吁全社會強化數據要素的價值認同，加快價值共創(chuàng)，共同培育為優(yōu)質數據買單的共識。”8月28日開幕的2025數博會期間，國家數據局黨組書記、局長劉烈宏呼吁。

近兩年人工智能產業(yè)尤以算力方向受關注，但財聯社記者在2025數博會現場注意到，人工智能數據亦受到熱議。28日下午，由國家數據局主辦，中國信息通信研究院、中國移動通信集團承辦的高質量數據集主題交流活動現場頗為火爆，不僅是“一座難求”，開場前數十位從業(yè)者站在舞臺一側，期待國家數據局的最新發(fā)聲。

全國高質量數據集累計交易額達40億元

　　本周國務院印發(fā)《關于深入實施“人工智能+”行動的意見》，持續(xù)加強人工智能高質量數據集的建設。國家數據局會同有關方面共同推動高質量數據集的建設和應用，亦已取得積極成效。
　　財聯社記者最新從國家數據局方面了解到，今年上半年，全國各地已建設高質量數據集超過了3.5萬個，總體量超過400PB。截至目前，全國各地高質量數據集累計交易額已達40億元，交易機構掛牌3364個高質量數據集，總規(guī)模達到246PB。
　　國家數據局方面透露，為推進高質量數據集的建設，國家數據局布局建設成都、沈陽等七個數據標注基地，目前國內多數模型訓練使用的中文數據占比達到了60-80%，中文高質量數據的開發(fā)和供給能力顯著增強。
　　同時，人工智能模型訓練正推動數據交易需求上升。以北京數交所為例，高質量數據集占交易總量的比例從去年10%左右提升到目前的近80%。上海、天津、安徽等地正在試點“數據語料作價入股”模式，引導企業(yè)將高質量數據集折算為股權投入新企業(yè)。
　　此外，國家數據局強調高質量數據集建設基礎保障。通過建立健全數據基礎制度，加快建設數據基礎設施，推進公共數據開發(fā)利用，布局攻關數據領域核心技術，完善數字人才培養(yǎng)體系等一系列組合拳和體系化的布局，持續(xù)推進數據要素市場化改革和“人工智能+”行動同頻共振，聯合各部門創(chuàng)新工作模式，構建部門協同的工作制度，協同發(fā)力，聯合施策，積極引導做好高質量數據集建設工作。
　　國家數據局稱，下一步將加快打造重點領域，以及具身智能、低空經濟、生物制造等領域數據高地。
　　財聯社記者了解到，大模型能力邊界幾乎完全由數據的質量、規(guī)模和安全性來定義，數據是提升模型能力的關鍵和模型訓練的基礎，也是拓展智力上線和性能優(yōu)化的支撐，高質量數據將有效降低模型幻覺。
　　“很多專家說當前的技術條件下，人工智能的發(fā)展體現出很強的數據驅動特色。數據決定了大模型的性能上限。”劉烈宏表示。

多家企業(yè)布局高質量數據集

　　目前，多家企業(yè)的業(yè)務布局也順應著這一趨勢。
　　此次數博會，財聯社記者注意到，在智算服務器領域表現突出的超聚變2024年起發(fā)力數據層面，目前已構建了統(tǒng)一的資產與數據安全管理體系。
　　超聚變CIO、城企數智事業(yè)部總裁藍文廣表示，新一代AI+數據技術改變了從業(yè)務到數智化的生產方式、業(yè)務設計與數智化實施方法框架并重構所有的業(yè)務及應用。據悉，在企業(yè)服務領域，超聚變推出的xIBT業(yè)務變革與數智化轉型解決方案，依托100+場景智能體，將企業(yè)業(yè)務流程深度融入智能體架構。
　　財聯社記者從中國電科集團旗下的中國司法大數據研究院有限公司（以下簡稱“中國法研”）方面了解到，研究院為我國公共數據資源授權運營的先行先試單位，在司法領域高質量數據集建設方面，組織法律專業(yè)知識專家、法律從業(yè)者和高校法律學生共同組成數據標注團隊，構建了基于法律知識體系指引的數據標注系統(tǒng)，通過“人機協同”方式，開展了專業(yè)領域數據標注。
　　中國法研以積累的“法律法規(guī)、司法解釋、指導案例、公開文書”等作為基礎數據源，結合司法領域專業(yè)知識和應用場景需要，歸納和整理形成“法律問答、法條推薦、案件認知”等在內的27類司法語料庫，共計600萬對精調語料；同時，針對檢索增強生成，基于法律實務（文書）和專家觀點數據，構建了超2億條法律行業(yè)知識。
　　公開信息顯示，作為產業(yè)鏈“鏈主”，目前三大運營商以數據專業(yè)公司為立腳點，致力于構建高質量數據集。其中中國移動已建成覆蓋32個行業(yè)、超3500TB通用高質量數據集。

高質量數據集建設仍面臨挑戰(zhàn)

　　值得關注的是，中國信息通信研究院院長余曉暉在數博會期間發(fā)布了《高質量數據集建設指引》。
　　財聯社記者了解到，在上述《指引》發(fā)布背后，高質量數據集的建設仍面臨諸多挑戰(zhàn)。
　　余曉暉稱，目前全國已建成超過3.5萬個數據集，Token消耗量呈高速增長態(tài)勢，中央、地方和行業(yè)層面也在積極推動相關工作。然而，實踐中仍面臨諸多挑戰(zhàn)，如數據供給、技術、治理體系和標準等問題亟待解決。
　　中國法研總經理專項助理李曉智在采訪中告訴財聯社記者，現實應用中，數據的合法性和數據保護問題客觀上增加了數據集建設的難度，技術瓶頸仍然存在，當前的算法和工具仍無法有效解決數據標注的高成本和低效率問題，尤其是在人力資源有限的情況下，如何高效、準確地完成大規(guī)模數據集的標注和清洗仍是關鍵問題。
　　據悉，高質量的領域語料建設，是一項領域知識密集型工作，需投入大量的領域專業(yè)人員。李曉智介紹，雖然現在中國法研已經形成一套人機結合的語料構建、質量檢測方法，但是人工勞動還是占語料構建30%+以上的工作量。后續(xù)中國法研考慮基于法律大模型聯盟形成“數據伙伴”團隊以及中國法研CNAS測評團隊，共同進行行業(yè)語料集建設和評價，希望國家相關部門能夠予以頂層指導和政策支持。
　　吳世忠研究員亦在其演講中提到了數據來源的合法性風險。
　　同時吳世忠表示，數據內容面臨可靠性風險，現實中數據集經常面臨低質噪聲、失實性錯誤甚至價值觀的偏差；數據供應鏈方面存在風險，“應高度關注篡改的隱患，數據集從采集、標注、實用多個環(huán)節(jié)，數據供應商，外包標注團隊、云平臺等等，任何漏洞都可能成為攻擊的入口”；數據使用方面面臨倫理風險，“嚴防濫用與失控潛在危險，即使數據集本身合法合規(guī)，如果缺乏對使用場景的約束，也可能引發(fā)問題及某些包含生物特征的數據，人臉照片，影音片斷，生成類的大模型導致深度偽造方面的技術濫用，這方面的例子出現了很多?！?/span>

　　（財聯社記者付靜）

返回列表

“數據決定大模型性能上限”！國家數據局呼吁全社會強化數據要素價值認同

“數據決定大模型性能上限”！國家數據局呼吁全社會強化數據要素價值認同