當前，人工智慧（AI）已成為全球數字經濟競爭的戰略高地，各國紛紛提出建設本國特色的“主權AI”體系。所謂“主權AI”，是指由國家自主開發、訓練和控制的綜合性AI系統，具備高級的學習、感知、推理和自我認知能力，能夠在特定文化背景下決策和互動，體現國家自身的文化、社會和倫理價值觀。這一概念在2024年世界政府峰會上被英偉達公司創始人黃仁勳強調：每個國家都需要擁有自己的AI基礎設施，以保護本國文化和經濟安全。這一觀點凸顯了“主權AI”的重要性——只有實現核心技術和數據資源的自主可控，AI領域的國家安全與競爭力才能得到保障。同時，“主權AI”還要求AI系統融入本國文化精髓。例如，我們強調在中國推進主權AI建設時，應特別注入中華優秀傳統文化的基因，使AI深度融合文化價值。這一文化維度的融入，有助於防止AI技術在價值觀層面的偏離，確保AI發展符合本國主流價值觀和倫理規範。 在全球範圍內，圍繞人工智慧的競爭日趨激烈。如果一個國家的AI基礎仍嚴重依賴外國技術和平臺，那麼所謂的“主權”只會流於表面。一些專家警告，我們正面臨AI時代的新型“數字殖民主義”風險：各國看似擁有自己的AI模型，但在算力晶片、基礎軟體、訓練數據等每個層級都深度依賴少數技術強國。這意味著，如果不掌握自主的AI底層技術和數據資源，一個國家很可能在不知不覺中陷入他國技術體系的控制之中，喪失數字時代的話語權。這種隱形的依賴網路被形象地稱為“數字殖民”。因此，加快建設主權AI，打造自主可控的大模型和高質量數據集，不僅是科技命題，也是維護國家數字主權、避免數字時代新型殖民的重要舉措。
本文以“主權AI下的大模型與高質量數據集”為題，結合我們團隊在這一領域的探索，深入討論主權AI面臨的挑戰、高質量數據集的建設策略，以及在標準化、數據治理和國際合作方面的實踐思考。本文闡述我們對於主權AI的理解和最新進展，並引用相關研究和案例予以支撐。在數字經濟迅猛發展的背景下，這些探討希望為中國以及全球的人工智慧健康發展提供有益參考。 一、主權AI的內涵與基礎進展（一）主權AI的定義與核心要求 “主權AI”強調的是一個國家對人工智慧技術的自主掌控權。在定義上，它涵蓋了從核心演算法、模型到關鍵數據資源各方面的自主可控，並要求AI系統能夠體現本國的價值觀和文化屬性。具體來說，主權AI體系應當由本國主導構建，擁有獨立的技術路線和知識產權，不依賴於任何單一外國平臺或供應鏈。同時，在人工智慧的決策和交互過程中，主權AI能夠融入本國社會倫理規範和文化精髓，使AI的發展方向同本國的發展利益和人文精神保持一致。 （二）中國在算力與大模型領域的初步成就 過去一段時間，中國在建設主權AI的基礎環境上取得了積極進展。例如，在AI算力基礎設施方面，我國投入鉅資佈局新型算力中心和高速網路，算力供給總量位居世界前列，為未來AI的發展提供了堅實支撐。雖然仍存在算力供需不平衡、晶片受制於人等問題，但整體算力水準的提升為大模型訓練和部署奠定了基礎。另一方面，國內大模型領域的競爭格局日趨活躍。近年來眾多企業和科研機構紛紛推出各自的大模型，據統計，中國參數規模十億以上的預訓練大模型數量已超過100個。早期的不少模型可能存在一定同質化現象，缺乏差異化創新；但這種“百模大戰”的局面也在推動技術快速迭代，各團隊競相探索新的模型架構和應用方向，從而催生出具有中國特色和優勢的大模型。這種競爭與繁榮有望孕育真正領先的自主AI技術，引領我們邁向更高水準的智能時代。 （三）中文高質量數據集的戰略地位 數據是人工智慧發展的基石，而中文高質量數據資源的豐富與否，直接關係到我國主權AI體系的成敗。長期以來，中文語料在全球AI訓練數據中的占比偏低。研究顯示，在ChatGPT等模型的訓練數據中，英文語料占比高達92.6%，而中文語料不足千分之一。這意味著如果沒有充足且優質的中文數據，大模型在處理中文內容時效果難以媲美英文模型。對此，我們國家近年大力推動中文語料庫的建設和整合。目前各類高質量中文數據集不斷湧現，涉及百科知識、文學作品、法律法規、社交媒體等多領域語料，一些超大規模的開源中文語料工程也相繼啟動。本土數據資源的日益豐富，正在為中國自主AI模型提供更廣闊的訓練空間。不過，需要清醒地認識到，中文高質量數據的積累仍然在起步階段，與英文數據的規模和深度相比有較大差距。因此，持續推進數據資源建設、提高中文數據的覆蓋面和代表性，是主權AI發展的長期任務。 （四）人才培養與評測標準的雙輪驅動 除了硬體算力和數據資源，人才和標準也是主權AI不可或缺的基礎要素。我國高度重視人工智慧基礎研究人才的培養，各大高校和科研機構紛紛設立AI學院、交叉學科研究中心，吸引優秀學生攻讀智能科學相關專業。近年來我國AI人才培養數量顯著增長，但在基礎層面的頂尖人才上仍存在不足。據《中國人工智能人才培養白皮書》數據，2022年美國在AI基礎研究領域的人才占比約22.8%，而中國僅為3.3%。高端人才的短缺和流失提醒我們，主權AI的競爭歸根結底是人才的競爭。對此，國家正通過加強教育與科研投入、實施產學研結合的創新人才計畫等舉措，逐步壯大本土AI人才隊伍。另一方面，AI評測標準體系的建設也在同步推進。以往各家大模型性能良莠不齊、評價維度各不相同，缺乏統一客觀的評估基準。而今，在主管部門和專家團隊的推動下，中國的人工智慧測評標準體系已進入實質性構建階段，涵蓋通用大模型能力測評、行業場景測評以及倫理合規評估等方面。這將為客觀評價模型能力、指導研發方向提供重要支撐。總體而言，中國在主權AI發展的各基礎環節都已取得初步進展，接下來需要進一步整合資源、聚焦關鍵短板，持續發力以實現從量的積累到質的飛躍。 二、高質量數據集：智能時代的關鍵資源 常言道，“數據是智能時代的新能源”，高質量的數據對於大模型就如同燃料之於引擎，其重要性不言而喻。大型預訓練模型之所以“智能”，很大程度上源於訓練過程中汲取了海量多樣的數據知識。因此，要構建強大的主權AI，我們必須建立高質量的數據集作為底座。這需要一套系統性的策略和方法，涵蓋數據的採集、處理、標注到融合的全過程。 （一）數據治理：從源頭確保數據品質 首先，在數據採集和預處理階段，必須建立嚴格的數據治理流程，確保進入訓練的數據是“乾淨”和可靠的。具體而言，應當對原始數據進行充分的清洗、去重和脫敏處理，剔除其中的噪音、錯誤和隱私敏感資訊。這類似於為AI準備“潔淨的食材”。只有數據品質過關，模型學習到的才能是有效知識而非垃圾資訊。據統計，在很多AI專案中，數據清洗和預處理往往耗費整個專案80%以上的時間和精力，可見其繁瑣卻極其重要。我們團隊在實踐中制定了詳細的數據治理規範，從源頭上保證數據的準確、一致和安全。 （二）語境關聯：整合孤立數據為有效資訊 其次，要注重數據的語境關聯性，將分散孤立的數據整合為有意義的資訊。一項有效的措施是推行“一數一源”原則，即每類數據只保留一個權威來源，避免來自不同管道的重複數據和衝突數據。這一原則最初在政務數據治理中被提出，用於解決多部門數據不一致的問題。在AI訓練數據建設上，同樣適用該原則：通過建立統一的數據目錄和引用體系，使得每個事實、每條記錄都有明確可信的出處。當不同來源的數據存在矛盾時，通過“多源校核”機制進行驗證，以確定最終採用的數據值。這樣可極大提高數據集的可信度和內在一致性。此外，構建跨部門、跨領域的數據融合平臺也是必要的步驟，可以打通數據壁壘，將原本割裂的數據孤島聯通起來，形成覆蓋廣泛的資訊網絡。例如，將地理數據與人口數據、經濟數據相關聯，就能衍生出具有洞察力的綜合資訊，用於模型訓練時提升其對複雜背景的理解能力。 （三）數據標注：專業與效率並重 再次，在數據標注過程中，應秉持專業與高效並重的原則。高質量的標籤（label）對監督式模型訓練至關重要。一方面，我們需要借助高素質的人工標注團隊，確保標注結果的準確性和細粒度；另一方面，也要善用自動化和半自動化的標注工具，以提升效率和一致性。人工智慧輔助標注技術目前發展迅速，例如圖像和文本的自動標注、主動學習篩選數據等，都可以減輕人工負擔。我們的經驗是，將人工智慧和機器智能結合起來——機器先完成初步標注，人工再審核修正——往往能事半功倍地產出高質量標注數據。同時，還應制定嚴格的質檢流程，對標注結果進行抽樣檢查和持續校正，避免主觀偏差和錯誤傳播。 （四）知識融合：為數據注入智慧 除了對數據本身的處理，高質量數據集的構建還需要引入知識融合的理念。也就是說，不僅要有數據，還要在數據之上賦予領域知識的結構。我們通過與各領域專家合作，將專家的知識圖譜和經驗規則融入數據集中。這有點類似於在數據中“注入智慧”。例如，在醫療AI專案的數據集中，我們會引入醫學知識庫，將症狀與疾病、藥物之間的關係嵌入模型可學習的格式；在法律AI的數據集中，我們融入法律法規的條文結構和案例要旨。通過這種數據與知識的融合，模型不僅從數據中學習模式，還能獲得更高層次的知識支持，提升對複雜問題的理解和推理能力。這實際上是讓模型在學習“數據-資訊”的同時，也學習“知識-智慧”，契合了我們後面將提到的DIKWP語義框架思想。 （五）多樣性與偏見：構建全面均衡的語料庫 與此同時，我們必須構建多領域、多樣化的數據語料庫，以避免模型因數據單一而產生偏見與局限。AI偏見的一個重要來源就是訓練數據的偏頗。如果模型只在單一領域、單一風格的數據上訓練，它對世界的認知將是片面的，甚至可能強化數據中已有的偏見。因此，我們需要彙集來自不同領域的數據（如科技、藝術、社會科學等），以及不同風格、不同來源的數據（如嚴肅文獻與網路文本、正式語言與口語方言等）。同時，應盡可能收集多語種的數據資源。語言是文化的載體，多語言數據有助於模型理解不同文化背景下語義和語用的差異，增強模型的跨文化適應性和包容性。對一個大型模型而言，多樣性就意味著魯棒性：數據越多元化，模型就越能避免過度擬合在某種偏狹的模式上，從而在面對新穎問題時展現更強的泛化能力。當然，在拓展數據邊界的同時，我們也需要持續監控模型輸出，及時發現並糾正可能的偏見，如性別、種族偏見等，確保AI決策的公平公正。 （六）隱私與安全：嚴守數據建設的合規底線 最後，必須嚴守隱私保護和安全合規這條數據建設的底線。在任何情況下，數據的使用都要符合相關法律法規和倫理規範。具體措施包括：對涉及個人隱私的數據進行匿名化或脫敏處理，在數據共用和流通中採用訪問控制和許可權管理；對於敏感領域的數據，引入數據浮水印、溯源技術，防範數據濫用。同時，利用密碼學手段保障數據存儲和傳輸的安全完整，例如採用數字簽名、哈希校驗和區塊鏈技術來防止數據在傳輸和存儲過程中被篡改。事實上，區塊鏈以其去中心化和防篡改的特性，正越來越多地被應用於數據確權和真實性校驗場景。在我們的實踐中，每當需要整合多方數據時，就會考慮使用聯盟鏈來記錄數據的源頭和修改痕跡，以確保數據“所見即所得”。總之，高質量數據集建設要兼顧品質與安全：既要讓數據為AI所用，又要保證數據不被濫用。只有在保護好個人和社會權益的前提下，數據價值的釋放才能更持久、更廣泛。 綜合來看，建設高質量數據集是一項系統工程，需要從源頭治理、過程優化到融合提升的全鏈條佈局。乾淨可靠的數據、一致有效的資訊、準確豐富的標籤、融合專家的知識以及多樣安全的語料，共同構成了智能時代優質數據的內涵。這套“數據秘笈”將為大模型注入源源不斷的動力，推動主權AI體系實現跨越式發展。 三、DIKWP認知模型與語義基礎設施（一）DIKWP認知模型 面對人工智慧向更高水準演進的趨勢，我們的團隊提出並研製了DIKWP認知模型，希望為構建主權AI的語義層基礎設施提供解決方案。DIKWP是一個五層次的網狀認知框架，其名稱源自“Data-Information-Knowledge-Wisdom-Purpose”，即在經典的“數據-資訊-知識-智慧（DIKW）”模型基礎上增加了“目的/意圖（Purpose）”這一第五層。DIKW模型是資訊科學領域常用的認知層次結構，它描述了原始數據經過處理轉化為資訊、進而上升為知識，最終凝練為智慧的過程。然而，傳統DIKW模型缺少對“目的”的考量，無法體現智能體在決策過程中的主觀意圖和動機。而我們認為，“意圖”是高級智能行為的靈魂——再強大的知識和智慧，如果沒有正確的意圖指引，可能會南轅北轍。為此，DIKWP模型在最高層引入Purpose層，強調以主體的目標和意圖來整合和牽引下層的智慧、知識、資訊和數據。通過這個拓展，DIKWP形成了一個更完整的認知閉環：數據層提供客觀原始素材，資訊層提煉有意義的描述，知識層建立結構化的理解，智慧層產生能夠解決問題的方案，而目的層則為整個系統賦予方向和價值判斷。 DIKWP模型的提出，試圖解決當前大模型在深層語義理解和自主決策能力上的不足之處。大型語言模型（LLM）在模式學習和表層語義理解上表現出色，但往往被詬病為“大而不靈”：它們缺乏對人類意圖的深入把握，有時會產生上下文不一致的回答，甚至出現所謂“幻覺”——編造事實。這是因為傳統大模型本質上仍是統計學概率模型，並不真正理解語言背後的意圖和意義。而DIKWP模型通過在架構中顯式表示意圖，賦予AI一種自我認知和目標導向的能力。當AI擁有目的層的表示後，它在進行推理時就會不斷參照既定的目標，過濾無關資訊，校準推理方向，從而在複雜任務中表現出更強的魯棒性和準確性。可以說，DIKWP模型為探索可解釋、可控的高級智能提供了新路徑，有學者將其視為邁向人工通用智能（AGI）的重要一步。 （二）DIKWPaaS語義平臺 圍繞DIKWP模型，我們構建了相應的DIKWPaaS語義平臺。DIKWPaaS是“DIKWP Platform as a Service”的縮寫，意為將DIKWP模型的語義能力以服務形式提供的雲平臺。其核心思想是將DIKWP模型五個層次的功能模組化、服務化：我們將數據採集治理封裝為“數據即服務”（DaaS），將資訊分析處理封裝為“資訊即服務”（IaaS），將知識融合應用封裝為“知識即服務”（KaaS），將智慧決策支持封裝為“智慧即服務”（WaaS），而意圖理解引擎封裝為“Purpose即服務”（PaaS）。通過這樣的分層封裝，DIKWPaaS平臺能夠針對不同需求提供對應的語義服務。例如，對於一個用戶查詢，平臺首先通過DaaS獲取並預處理數據，然後IaaS提取有用資訊，KaaS將資訊整合為知識結構，WaaS基於知識進行決策推理，最後PaaS模組結合用戶的真實意圖對輸出進行調整優化。整個過程在雲端以服務介面的方式對外提供，遮罩了內部複雜的語義處理流程，用戶僅需調用相應服務即可獲得智能結果。這種架構實現了從數據到意圖的端到端貫通，使AI系統能夠以接近人類思維的方式運轉。 （三）DIKWPaaS平臺的核心優勢 DIKWPaaS語義平臺帶來了若干重要優勢。首先，它提升了AI服務的透明性和可解釋性。由於我們將認知過程劃分為五個明晰的層次，AI做出的每一步推理和決策都可以在相應層次上得到解釋和追溯。例如，如果最終決策出現偏差，我們可以回溯到知識層查看是否知識庫有誤，或到數據層檢查原始數據是否不充分。相較傳統端到端黑盒模型，這種白盒化的語義流程讓AI的行為“可理解、可審計”。其次，DIKWPaaS通過層層分解任務，也增強了系統的靈活性和模組複用能力。不同應用場景可以選擇使用不同組合的服務模組，甚至替換其中某一層的實現而不影響整體功能。這種模組化設計便於持續優化升級各層演算法，加速創新。再次，由於引入了目的驅動，AI服務能夠更好對接人類意圖，提供更加符合用戶需求的個性化結果。在很多場景下，用戶的真實意圖是隱含在表面問句之下的，DIKWPaaS可以通過Purpose層的推理來揣摩用戶真正想要解決的問題，從而給出更貼切的回應。最後，平臺建設過程中我們非常重視數據安全和隱私保護。DIKWPaaS通過嚴格的數據訪問控制和加密措施，確保各層處理的數據不洩露；敏感資訊的處理在上雲前即經過脫敏；同時平臺還支持在本地部署關鍵模組以滿足特定用戶的數據不出域需求。在提供強大語義服務的同時，我們做到對數據“只賦能不窺視”，充分維護用戶的數據主權。