国家数据局：国内多数模型训练使用的中文数据占比已超60%

新黄河客户端北京8月14日电(记者李运恒) 8月14日，国务院新闻办公室举行“高质量完成‘十四五’规划”系列主题新闻发布会，介绍“十四五”时期数字中国建设发展成就。会上，国家发展改革委党组成员、国家数据局局长刘烈宏介绍，人工智能模型的训练也推动了数据交易需求的攀升，截至今年6月底，各地高质量数据集累计交易额近40亿元，数据交易机构挂牌的高质量数据集总规模达到了246PB。他还提到，国内多数模型训练使用的中文数据占比已经超过了60%，有的模型已达到80%。

“有专家说，算力是骨骼、算法是神经、数据是血液。”刘烈宏表示，作为人工智能发展的三大核心要素之一，数据在推动“人工智能+”过程中发挥着关键作用，特别是高质量数据集的建设至关重要，比如在医疗健康领域，通过标注的医学影像高质量数据集，模型的疾病诊断准确率可以提升15%以上。在人工智能时代，Token，也就是大家通常所说的词元，作为处理文本的最小数据单元，如同互联网时代大家所说的“流量”。2024年初，我国日均Token的消耗量为1000亿，截至今年6月底，日均Token消耗量已经突破30万亿，1年半时间增长了300多倍，这反映了我国人工智能应用规模的快速增长。

我国人工智能的快速发展，与我国高度重视数据工作是密不可分的。我国是第一个把数据作为生产要素的国家，多措并举促进数据资源的开发利用。“我们强调‘人工智能+’行动到哪里，高质量数据集的建设和推广就要到哪里。我们大力推动高质量数据的供给，出台了高质量数据集建设相关文件，多部门联合推动相关工作。我们指导全国数据标准化技术委员会研究制定了相关标准和技术文件，组织了高质量数据集建设先行先试工作和典型案例征集活动，分行业、分领域树立了一批典型的解决方案。”刘烈宏介绍。

据悉，截至今年6月底，我国已经建设高质量数据集超过3.5万个，总体量超过了400PB(1PB可存储约5亿张2MB大小的高清照片，400PB的总量相当于中国国家图书馆数字资源总量的140倍左右)。人工智能模型的训练也推动了数据交易需求的攀升，截至今年6月底，各地高质量数据集累计交易额近40亿元，数据交易机构挂牌的高质量数据集总规模达到了246PB。以北京数交所为例，高质量数据集占交易总量的比例从去年的10%跃升到目前的近80%。上海、天津、安徽等地正在试点“数据语料作价入股”等新模式，引导企业将高质量数据集折算为股权投入到相关企业。高质量数据集的发展需要数据标注产业的支撑，我们已布局了成都、沈阳、合肥等7个数据标注基地，助力高质量数据集的建设。

刘烈宏提到，中文数据在国内大模型的训练性能提升方面发挥着重要作用。“大家都非常关心中文数据在训练数据中的占比情况，经过一段时间的努力，国内多数模型训练使用的中文数据占比已经超过了60%，有的模型已达到80%。中文高质量数据的开发和供给能力持续增强，推动我国人工智能模型性能的快速提升。”下一步，将通过体系化布局持续推进高质量数据集建设，加快打造具身智能、低空经济、生物制造等重点领域数据高地。也将推动全社会强化数据要素价值认同，加快推进数据要素价值共创，培育“为优质数据买单”的市场共识。

记者:李运恒 编辑:郑楚翘 校对:汤琪