段玉聰
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資料資源的自主可控，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、訓練資料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底層技術和資料資源，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，喪失數位時代的話語權。這種隱形的依賴網路被形象地稱為“數位殖民”。因此，加快建設主權AI，打造自主可控的大模型和高品質資料集，不僅是科技命題，也是維護國家數位主權、避免數位時代新型殖民的重要舉措。
本文以“主權AI下的大模型與高品質資料集”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、高品質資料集的建設策略，以及在標準化、資料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、模型到關鍵資料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智慧財產權，不依賴于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反覆運算，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慧時代。
（三）中文高品質資料集的戰略地位
資料是人工智慧發展的基石，而中文高品質資料資源的豐富與否，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訓練資料中的占比偏低。研究顯示，在ChatGPT等模型的訓練資料中，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資料，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。目前各類高品質中文資料集不斷湧現，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。本土資料資源的日益豐富，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，中文高品質資料的積累仍然在起步階段，與英文資料的規模和深度相比有較大差距。因此，持續推進資料資源建設、提高中文資料的覆蓋面和代表性，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
除了硬體算力和資料資源，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慧科學相關專業。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《中國人工智慧人才培養白皮書》資料，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、高品質資料集：智慧時代的關鍵資源
常言道，“資料是智慧時代的新能源”，高品質的資料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“智慧”，很大程度上源於訓練過程中汲取了海量多樣的資料知識。因此，要構建強大的主權AI，我們必須建立高品質的資料集作為底座。這需要一套系統性的策略和方法，涵蓋資料的採集、處理、標注到融合的全過程。
（一）資料治理：從源頭確保資料品質
首先，在資料獲取和預處理階段，必須建立嚴格的資料治理流程，確保進入訓練的資料是“乾淨”和可靠的。具體而言，應當對原始資料進行充分的清洗、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”。只有資料品質過關，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，資料清洗和預處理往往耗費整個項目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資料治理規範，從源頭上保證資料的準確、一致和安全。
（二）語境關聯：整合孤立資料為有效資訊
其次，要注重資料的語境關聯性，將分散孤立的資料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，即每類資料只保留一個權威來源，避免來自不同管道的重復資料和衝突資料。這一原則最初在政務資料治理中被提出，用於解決多部門資料不一致的問題。在AI訓練資料建設上，同樣適用該原則：通過建立統一的資料目錄和引用體系，使得每個事實、每條記錄都有明確可信的出處。當不同來源的資料存在矛盾時，通過“多源校核”機制進行驗證，以確定最終採用的資料值。這樣可極大提高資料集的可信度和內在一致性。此外，構建跨部門、跨領域的資料融合平臺也是必要的步驟，可以打通資料壁壘，將原本割裂的資料孤島聯通起來，形成覆蓋廣泛的資訊網路。例如，將地理資料與人口資料、經濟資料相關聯，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，在資料標注過程中，應秉持專業與高效並重的原則。高品質的標籤（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細微性；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、主動學習篩選資料等，都可以減輕人工負擔。我們的經驗是，將人工智慧和機器智慧結合起來——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品質標注資料。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：為資料注入智慧
除了對資料本身的處理，高品質資料集的構建還需要引入知識融合的理念。也就是說，不僅要有資料，還要在資料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資料集中。這有點類似於在資料中“注入智慧”。例如，在醫療AI項目的資料集中，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的資料集中，我們融入法律法規的條文結構和案例要旨。通過這種資料與知識的融合，模型不僅從資料中學習模式，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“資料-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、多樣化的資料語料庫，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資料的偏頗。如果模型只在單一領域、單一風格的資料上訓練，它對世界的認知將是片面的，甚至可能強化資料中已有的偏見。因此，我們需要彙集來自不同領域的資料（如科技、藝術、社會科學等），以及不同風格、不同來源的資料（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資料資源。語言是文化的載體，多語言資料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：資料越多元化，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，在拓展資料邊界的同時，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：嚴守資料建設的合規底線
最後，必須嚴守隱私保護和安全合規這條資料建設的底線。在任何情況下，資料的使用都要符合相關法律法規和倫理規範。具體措施包括：對涉及個人隱私的資料進行匿名化或脫敏處理，在資料共用和流通中採用存取控制和許可權管理；對於敏感領域的資料，引入資料浮水印、溯源技術，防範資料濫用。同時，利用密碼學手段保障資料存儲和傳輸的安全完整，例如採用數位簽章、雜湊校驗和區塊鏈技術來防止資料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于資料確權和真實性校驗場景。在我們的實踐中，每當需要整合多方資料時，就會考慮使用聯盟鏈來記錄資料的源頭和修改痕跡，以確保資料“所見即所得”。總之，高品質資料集建設要兼顧品質與安全：既要讓資料為AI所用，又要保證資料不被濫用。只有在保護好個人和社會權益的前提下，資料價值的釋放才能更持久、更廣泛。
綜合來看，建設高品質資料集是一項系統工程，需要從源頭治理、過程優化到融合提升的全鏈條佈局。乾淨可靠的資料、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，共同構成了智慧時代優質資料的內涵。這套“資料秘笈”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。