本報記者 田鵬

    7月8日，由上海數(shù)據(jù)交易所、大數(shù)據(jù)流通與交易技術(shù)國家工程實驗室承辦的“大模型時代下的數(shù)據(jù)要素流通”主題論壇在上海世博中心舉行。上海數(shù)交所總經(jīng)理湯奇峰作題為“大模型時代下的語料庫”的主旨演講，帶來關(guān)于國內(nèi)語料庫建設(shè)挑戰(zhàn)的觀察，并從語料庫質(zhì)量和開放程度兩個維度給出建設(shè)建議。

    湯奇峰認(rèn)為大模型時代下的語料庫建設(shè)存在語料庫供給不足、語料庫質(zhì)量不高、語料庫多樣性匱乏、語料庫標(biāo)準(zhǔn)欠缺等問題。

    “語料庫建設(shè)不是單一企業(yè)的責(zé)任，需要多方共同推進，如果每個企業(yè)都單獨建設(shè)維護語料庫，會拉低效率，也會增加企業(yè)成本，數(shù)交所希望通過自己的努力加強數(shù)據(jù)要素建設(shè)提升語料庫建設(shè)效率。”

    當(dāng)天活動上，上海數(shù)交所正式啟動語料數(shù)據(jù)生態(tài)創(chuàng)新合作伙伴計劃，攜手首批合作伙伴豐富語料庫，推動數(shù)據(jù)要素市場建設(shè)。

    關(guān)于語料庫建設(shè)的挑戰(zhàn)，湯奇峰認(rèn)為主要集中于開放程度和數(shù)據(jù)質(zhì)量兩方面：“能否有大模型企業(yè)所需的高質(zhì)量語料？目標(biāo)對象愿不愿意開放數(shù)據(jù)？”由此，湯奇峰指出可以根據(jù)開放程度強弱和數(shù)據(jù)質(zhì)量高低將語料數(shù)據(jù)生態(tài)機構(gòu)分出四類供方。

    上海數(shù)據(jù)交易所語料庫為這四類供方制定差異化工作策略。湯奇峰建議可以從政府引導(dǎo)市場主導(dǎo)、豐富種類提高質(zhì)量、統(tǒng)一標(biāo)準(zhǔn)規(guī)范建設(shè)、加強監(jiān)管保障安全、加強監(jiān)管保障安全四個方向建設(shè)大模型時代下的語料庫。

    湯奇峰指出，針對數(shù)據(jù)質(zhì)量高但開放程度低的供方，可以通過數(shù)據(jù)交易鏈有效破解語料數(shù)據(jù)流通的信任問題，“核心之一在于產(chǎn)權(quán)和參與大模型后的收益分配問題。”

    此外，上海數(shù)據(jù)交易所語料庫還將提供特色標(biāo)簽服務(wù)體系、挖掘應(yīng)用場景價值、驅(qū)動稀缺數(shù)據(jù)開放流通以提高該類供方開放數(shù)據(jù)積極性。

    針對開放程度高但數(shù)據(jù)質(zhì)量低的機構(gòu)，上海數(shù)交所語料庫則通過搭建專業(yè)化數(shù)商服務(wù)渠道提高數(shù)據(jù)質(zhì)量。

    湯奇峰介紹，上海數(shù)交所在建設(shè)語料庫時考慮的兩個維度與數(shù)交所對企業(yè)數(shù)據(jù)發(fā)展進程四個階段的觀察密切相關(guān)。對于這四個階段，湯奇峰解釋，第一個階段是企業(yè)數(shù)據(jù)自產(chǎn)自用階段。隨著企業(yè)數(shù)據(jù)的內(nèi)部供給有限時，企業(yè)數(shù)據(jù)需求逐步轉(zhuǎn)向外部，進入到第二階段，在該階段，大平臺和大企業(yè)通過資本紐帶在體系內(nèi)部形成數(shù)據(jù)流通。到了第三個階段，企業(yè)累積的數(shù)據(jù)將開放給整個行業(yè)，產(chǎn)業(yè)內(nèi)形成標(biāo)準(zhǔn)。第四個階段，數(shù)據(jù)使用在資產(chǎn)化過程中會產(chǎn)生新的更高階業(yè)態(tài)。

    湯奇峰說：“語料庫采購已經(jīng)在不少大模型企業(yè)成本中占據(jù)重要比重，上海數(shù)交所希望以市場配置的方式組織數(shù)據(jù)要素推動語料庫建設(shè)。”

    據(jù)悉，上海數(shù)交所官網(wǎng)已經(jīng)于7月7日正式上線語料庫，累計掛牌近30個語料數(shù)據(jù)產(chǎn)品，包含文本、音頻、圖像等多模態(tài)，覆蓋金融、交通運輸和醫(yī)療等領(lǐng)域。

（編輯 李波）