Ai快讯 中文存在“一词多义”现象，如“看车”在不同语境中有不同含义。人工智能大模型理解这一现象，离不开中文数据的持续供给。

目前，国内多数模型训练使用的数据中，中文数据占比超过60%，有的模型达到80%。不同语言的数据对大模型性能有不同影响，数据如同大模型的“知识教材”，教材语言属性不同，会影响模型的知识体系。

过去我国大模型面临“数据依赖”风险，英文数据在全球互联网占比较高，前沿科技论文、行业标准、文化典籍等多以英文呈现，全球高质量标注数据也多为英文。中文数据占比提高，既方便用户理解输出结果，又能保障和提升我国在大模型上的研发能力。同时，可助力我国在“数据安全”“技术自主”上取得进展，掌握大模型发展主动权。此外，还能增强大模型对中华文化及中国场景的理解能力，推动中华文化的数字化传播。

中文普通数据和高质量数据存在区别。普通数据多为未经审核的网络文本、非专业内容，易出现事实错误或概念混淆；高质量数据需经过“事实核查、专业审核”，语义准确且来源可追溯。以医疗诊断场景为例，“磐医知识图谱”中的数据由医学专家审核，每个知识点都有明确来源，且动态更新医学进展。

在一系列因素推动下，中文高质量数据供给能力不断增强。政策方面，《“数据要素×”三年行动计划（2024—2026年）》提出打造高质量人工智能大模型训练数据集，国家数据局布局建设数据标注基地，加速了大量中文高质量数据集的建设。技术上，随着进步，中文数据开发难度降低，如国内某“中文语义标注系统”可自动区分词义，提升标注效率，降低成本。行业内，国内垂直场景对“中文适配”大模型的需求增加，推动中文数据成为核心资源，更多企业参与开发，如中国移动建成覆盖超30个行业、超3500TB的通用高质量数据集。

2024年初，我国日均Token消耗量为1000亿，截至当年9月底，日均Token消耗量已突破40万亿，体现了中文数据资源的快速积累和价值释放。

对于进一步增强中文数据的开发和供给，专家提出建议。一是建标准，现有中文数据中重复内容多、高质量少，尤其在医疗、工业等垂直领域，高质量数据稀缺。如医疗数据记录方式不同，若无标准判断数据质量，开发难以推进，因此需加快研究制定中文数据分级标准。二是强技术，高质量数据集建设中存在数据孤岛和合规难题，不同机构数据因隐私安全等要求难以跨域流通，导致资源浪费。可推广新一代标注技术，在保证原始数据不出域和隐私安全的条件下，完成跨机构协同标注。三是补场景，我国产业体系完备，需要更多细分场景的中文数据。如元宇宙等新兴场景中，中文数据使用量仅为英文的1/5；中医、非遗等传统场景数字化程度低。可推动政产学研用协同，专项采集各种垂直场景中文数据。

“十五五”规划建议提出“推进文化和科技融合”。具体方式包括“文化IP+科技体验”，通过线上数字平台与线下沉浸场景结合，打造数字文旅空间、开发“旅游+智能体”新应用；“文化创作+人工智能”，AI技术与影视、文博等领域融合，催生出AI短剧、博物馆数字文创等新产品；“特色文化+数字技术”，将地标农产品、乡村非遗技艺融入微短剧等内容创作，为乡村全面振兴注入新动能。

（AI撰文，仅供参考）