破解数据瓶颈，王江平：建设人工智能国家数据集具有迫切性

随着DeepSeek的火爆出圈，“人工智能+”加速渗透到产业竞技场。AI正如同水电一般，成为生产生活中不可或缺的基础设施。然而，数据作为人工智能发展的“燃料”，还存在高质量中文数据集供给严重不足的问题。

如何破解AI发展的“数据瓶颈”难题？今年两会，全国政协委员、工信部原副部长王江平关注的正是这一问题。他建议，比照国家教材委员会的模式，设立人工智能国家数据集建设委员会，同时引导多主体开展高质量行业数据集建设。

避免AI大模型产生幻觉，关键在数据集质量

数据、算法和算力是人工智能发展的三大核心要素。其中，大规模、高质量、多样化的数据集是大模型性能突破、落地应用的关键。

王江平表示，当前全球积极布局人工智能产业，数据资源已成为重要战略资产，加强人工智能国家数据集建设具有高度的必要性和紧迫性。

在他看来，这是提升人工智能技术水平，抢占国际竞争制高点的必然要求。“建设国家数据集有助于提高模型的准确性和泛化能力，同时降低算力消耗一定程度上弥补算力不足，将我国潜在的数据优势转化为技术优势，提升我国在人工智能领域的国际话语权。”

一直以来，AI大模型一本正经地“胡说八道”，备受争议。要避免AI大模型产生“幻觉”，确保训练数据的高质量和多样性至关重要。

王江平在接受南都等媒体采访时表示，人工智能有一个“补白机制”，通过调整权重、输出结果。“如果某些特定领域数据集不完整，没有丰富的数据集，就会降低它的权重，最后补白出来，因而产生幻觉。”归根究底，AI大模型幻觉是数据集质量的问题。

王江平认为，建设国家数据集可以对数据进行严格筛选、标注和管理，保证训练数据的质量和正确价值取向，从源头上降低伦理和安全风险。

当前，AI技术正在加速融入到多个行业。加强数据集建设，也是AI深入赋能行业的必要举措。王江平表示，建设国家数据集能够为垂直行业提供丰富且专业的数据支撑，充分释放AI在各垂直行业的应用潜力，形成“数据—模型—数据”的良性循环，推动产业升级和创新发展。

王江平告诉南都记者，人工智能的行业应用，离不开强大且优质的数据支撑，且数据的颗粒度越细越好。AI落地应用速度，取决于特定领域专业数据集的质量和丰富程度。

“开放的数据不好用，好用的数据不开放”

那么，当前国内数据集建设情况如何？

王江平观察发现，有关机构相继发布了“书生·万卷”、WuDaoCorpora、MNBVC等中文语料库，数据集规模和质量逐步提升。“但总的来看，高质量中文数据集供给仍严重不足，在国际竞争中处于弱势地位。”

据王江平介绍，美国在2009年启动了Data.gov平台建设，已汇集超过30万种数据集，数据体量和质量领先全球。在Hugging Face发布的数据集中，英语以37.7%的比重居首位，而中文仅占3.2%。

与此同时，国内高质量数据集建设还面临一些困境和挑战——比如规范性不足、专业性不强、数据流通不畅、公共数据开放共享不够等。

具体而言，由于数据集完整性、准确性、一致性、时效性等方面标准缺失，语料来源广泛但质量参差不齐。行业专家对数据治理的参与程度不高，当前仍缺乏既懂行业又懂数据治理的复合型人才，这使得数据集的专业性不强。

王江平还提到，出于商业秘密、数据安全等因素考虑，企业开放数据意愿不足，专业场景数据集缺乏。数据确权、定价、交易、流通等模式的不清晰，也制约了数据的开发与利用。在公共数据层面，政府部门的开放共享程度也有待提高。实践中往往是“开放的数据不好用，好用的数据不开放”。

大模型的开发与优化，离不开海量优质的数据“投喂”。长久来看，高质量数据将成为稀缺品。据人工智能研究机构epoch的研究预测，语言数据可能在2030～2040年耗尽，高质量训练数据或在2026年耗尽。

引导多主体开展高质量行业数据集建设

如何破解“数据瓶颈”，促进数据自由流通与高效配置，成为AI发展的一道必答题。

王江平建议，比照国家教材委员会的模式，设立人工智能国家数据集建设委员会，统筹规划国家数据集建设的战略方向、政策制定和资源调配。该委员会的成员包括政府部门代表、学术界专家、企业界代表等，确保决策的科学性和全面性。

在强化顶层设计的同时，王江平认为，还应分类别建设国家数据集标准。对于涉及国家安全、意识形态、实体制造、医疗健康等关键领域，分轻重缓急制定并实行强制性国家标准，明确数据采集、存储、标注、使用等各个环节的规范和要求，确保数据的安全性、准确性和一致性。其他领域可制定推荐性标准。同时加快制定通用/行业数据集质量标准，在壮大规模的同时更加关注数据专业性，开展数据集质量评估和提升行动。

为支持国家数据集的建设、维护和更新，吸引优秀科研团队和企业参与其中，王江平还建议设立国家人工智能数据集专项基金，其资金来源可包括政府财政拨款、企业捐赠、社会资本投资等。

聚焦行业数据集建设，王江平表示，可联合国家实验室、国家科研机构、高校、科技领军企业的力量，引导优势行业链主企业、地方龙头国有企业、人工智能园区基地、龙头数据服务商等多主体，围绕特定领域和场景，协同建设和储备一批高质量数据集。

他还提到，应探索数据共享机制，让更多专业化数据集“供”出来。对此，可鼓励龙头企业和行业协会牵头，建设行业和企业级可信数据空间，构建多方互信的数据流通利用环境，协同上下游主体开放共享数据资源。

据南都记者了解，可信数据空间是基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施。去年11月，国家层面首次针对可信数据空间进行前瞻性的系统布局，明确提出到2028年，我国将建成100个以上可信数据空间，形成一批数据空间解决方案和最佳实践。

数据的流通与使用过程中，安全问题也不可忽视。王江平认为，应根据数据性质和用途，统筹好开源和闭源的关系，确保数据的充分利用和安全保护。

他建议，以开源方式建设可公开数据集，降低研究和开发门槛。以闭源方式建设敏感性、资产性数据集，加强数据全生命周期安全保护，配套必要的安全保障措施，防范安全风险。

王江平表示，应加快图书/期刊、视频、文献资料等高质量多模态公共数据开放，建立人大代表、政协委员监督保障机制。加强数据动态更新、安全开发利用等管理制度建设，充分释放数据要素价值。

采写：南都记者李玲 发自北京

南都全国两会报道组