當(dāng)你在政務(wù)App上咨詢“醫(yī)保報銷要多久到賬”，或在醫(yī)療智能體里描述癥狀時，后臺的人工智能（以下簡稱AI）并不是天生的“百事通”。它之所以能理解你的問題、給出自然的回答，靠的是成千上萬條語料樣本——來自政策文件、醫(yī)療記錄、熱線對話、網(wǎng)絡(luò)評論等真實數(shù)據(jù)。這些數(shù)據(jù)的集合有一個共同的名字：高質(zhì)量數(shù)據(jù)集。它總是甘居幕后，卻正成為智能時代最重要的數(shù)據(jù)基礎(chǔ)設(shè)施之一。為什么高質(zhì)量數(shù)據(jù)集的供給對于AI的發(fā)展如此重要？我國的高質(zhì)量數(shù)據(jù)集建設(shè)、共享和開放如何破局呢？

AI學(xué)習(xí)的中文“教材”稀缺，共享開放亟待破局

一個AI模型能有多聰明，取決于它“讀”過多少好書。高質(zhì)量數(shù)據(jù)集是AI大模型訓(xùn)練、推理和驗證的關(guān)鍵基礎(chǔ)，是AI學(xué)習(xí)的“教材”，是AI能“懂人話”并且“說人話”的前提。如果教材內(nèi)容錯誤、混亂或不完整，AI的成長就會走彎路。

同時，AI大模型訓(xùn)練不僅需要龐大的數(shù)據(jù)量，更強調(diào)跨語種、跨模態(tài)、跨領(lǐng)域的數(shù)據(jù)多樣性。據(jù)AI應(yīng)用社區(qū) Hugging Face統(tǒng)計，中文開源數(shù)據(jù)集數(shù)量僅占全部開源數(shù)據(jù)集的8%左右。我國大部分AI模型的訓(xùn)練數(shù)據(jù)集依賴外國開放數(shù)據(jù)，這種不對稱性不僅帶來語義偏倚與文化誤讀風(fēng)險，也制約了本地化場景下AI系統(tǒng)的泛化能力。中文語料數(shù)據(jù)供給不足，AI大模型只能“餓著肚子”，在貧瘠的通用語料里苦苦訓(xùn)練。

另外，當(dāng)前中文互聯(lián)網(wǎng)上充斥著用AI生成的低質(zhì)量中文語料，其中大量包含事實錯誤、邏輯混亂、語法不通、陳詞濫調(diào)等問題。“垃圾進，垃圾出”，用這些數(shù)據(jù)再去投喂AI，可能帶來中文AI模型退化的風(fēng)險。就好像用一份復(fù)印件反復(fù)復(fù)印，不斷重復(fù)這個過程之后，最終得到的復(fù)印件可能已經(jīng)模糊不清、錯誤百出。

鑒于高質(zhì)量數(shù)據(jù)集供給的重要性，我國連續(xù)推出戰(zhàn)略部署，明確將其納入政策頂層設(shè)計。剛剛發(fā)布的《中共中央關(guān)于制定國民經(jīng)濟和社會發(fā)展第十五個五年規(guī)劃的建議》，要求“強化算力、算法、數(shù)據(jù)等高效供給”。前不久發(fā)布的《國務(wù)院關(guān)于深入實施“人工智能+”行動的意見》也明確要求：“以應(yīng)用為導(dǎo)向，持續(xù)加強人工智能高質(zhì)量數(shù)據(jù)集建設(shè)”。然而，當(dāng)前我國高質(zhì)量數(shù)據(jù)集的建設(shè)、共享與開放仍面臨不少的困難和挑戰(zhàn)。

AI數(shù)據(jù)集的數(shù)據(jù)源復(fù)雜多樣，整體呈現(xiàn)分散化狀態(tài)，存在邊界模糊、家底不清、權(quán)責(zé)不明、標準不一、統(tǒng)籌不力等問題。政府、高校、科研機構(gòu)和企業(yè)之間數(shù)據(jù)壁壘突出，數(shù)據(jù)被長期被“鎖”在各自的“數(shù)據(jù)孤島”里。高質(zhì)量數(shù)據(jù)集的內(nèi)部共享和對外開放都缺乏統(tǒng)一的數(shù)據(jù)平臺與協(xié)調(diào)機制，難以形成高質(zhì)量、大規(guī)模數(shù)據(jù)集共建共享格局。數(shù)據(jù)資源建設(shè)主要依靠科研任務(wù)驅(qū)動，在資金、聲譽、成果轉(zhuǎn)化方面的激勵不足，責(zé)任與收益不對等問題凸顯，各方推動數(shù)據(jù)共享開放的積極性有待提升。

公共數(shù)據(jù)開放：破解數(shù)據(jù)供給瓶頸的關(guān)鍵路徑

要加強AI高質(zhì)量數(shù)據(jù)集供給，公共數(shù)據(jù)開放是一條亟待開拓的路徑。公共數(shù)據(jù)，取之于民、用之于民。政府和其他公共管理與服務(wù)機構(gòu)掌握的公共數(shù)據(jù)體量大、價值高、類型廣，權(quán)威性與可信度高，應(yīng)當(dāng)優(yōu)先向社會開放用于AI及相關(guān)產(chǎn)業(yè)的發(fā)展。利用開放的公共數(shù)據(jù)建設(shè)高質(zhì)量數(shù)據(jù)集，將有望成為AI時代的智能底座，助力形成政府治理提質(zhì)、市場創(chuàng)新加速、社會效益倍增的多贏局面。

首先，公共數(shù)據(jù)中包含的政策文書、法律法規(guī)、社交媒體、新聞?wù)Z料等數(shù)據(jù)，經(jīng)過模型處理后可以提升增強政府決策的智能化與科學(xué)化水平，促進政務(wù)服務(wù)的精準化與個性化，并推動開放治理與公眾參與。

其次，公共數(shù)據(jù)向社會開放，可以通過規(guī)模效應(yīng)提高數(shù)據(jù)利用效率，降低創(chuàng)新的邊際成本，激發(fā)市場主體的創(chuàng)新積極性，促進AI相關(guān)的技術(shù)突破與產(chǎn)業(yè)融合。

第三，公共數(shù)據(jù)向社會開放還可以打破大機構(gòu)壟斷數(shù)據(jù)的局面，有效緩解社會信息不對稱問題，使得不同規(guī)模的企業(yè)、科研機構(gòu)與個人可以公平地獲得數(shù)據(jù)資源，彌合數(shù)字鴻溝，促進數(shù)字包容。

目前，國際上已經(jīng)有大量基于公共數(shù)據(jù)開發(fā)的高質(zhì)量數(shù)據(jù)集向開發(fā)者開放，并形成了多樣化的建設(shè)模式和治理機制，產(chǎn)生了豐富的應(yīng)用成果。我國上海、杭州等城市的公共數(shù)據(jù)開放平臺，也嘗試上線了一批用于AI訓(xùn)練的高質(zhì)量數(shù)據(jù)集。不過，我國大部分地方還沒有啟動這項工作。筆者在調(diào)研中發(fā)現(xiàn)，這項工作的開展面臨著不懂、不愿、不能、不敢的困境。

一是“不懂”。很多領(lǐng)導(dǎo)干部和公務(wù)員仍把數(shù)據(jù)看作工作中的副產(chǎn)品，尚未意識到，自己每天處理的審批文件、熱線語音、交通流量等等，其實都是AI學(xué)習(xí)的最好教材。對AI相關(guān)概念的理解不清晰、不統(tǒng)一，一知半解的狀況比較普遍。

二是“不愿”。高質(zhì)量數(shù)據(jù)集建設(shè)需要投入大量人力物力，標注、清洗、整理都極為繁瑣。缺乏相應(yīng)的激勵機制，就容易出現(xiàn)“多一事不如少一事”的心理。

三是“不能”。高質(zhì)量數(shù)據(jù)集建設(shè)在數(shù)據(jù)編目、預(yù)處理、標注、更新、分布校準和多模態(tài)數(shù)據(jù)處理等方面都有一定的技術(shù)門檻，而這些數(shù)據(jù)集的共享開放缺乏統(tǒng)一的數(shù)據(jù)標準、術(shù)語字典、標注體系，導(dǎo)致數(shù)據(jù)難以互通。一些部門即便想做，也缺少技術(shù)與人力的支撐。

四是“不敢”。數(shù)據(jù)安全和隱私保護是最大的顧慮。公共數(shù)據(jù)往往涉及個人信息和公共安全，稍有不慎就可能引發(fā)風(fēng)險。因此，許多單位寧愿把數(shù)據(jù)“鎖在柜子里”，也不敢對外開放。

四步入手破解公共數(shù)據(jù)開放瓶頸問題

上述四個“不”，正是當(dāng)前公共數(shù)據(jù)開放的“卡脖子”問題。要讓公共數(shù)據(jù)開放賦能高質(zhì)量數(shù)據(jù)集建設(shè)，在觀念、制度和技術(shù)層面都需要跨越鴻溝。

第一，認知升級，讓數(shù)據(jù)供給成為共識。許多地方在推進AI項目時，往往注重算法創(chuàng)新和算力建設(shè)，卻忽略了數(shù)據(jù)資源供給。要通過培訓(xùn)、宣傳以及試點示范，讓各級各部門各單位都認識到開放數(shù)據(jù)的社會效益和經(jīng)濟價值。

第二，機制創(chuàng)新，讓“數(shù)據(jù)愿意流動”。公共數(shù)據(jù)開放需要利益與責(zé)任的平衡，應(yīng)建立明確的收益分配機制和供給激勵機制。我國多地正在探索的公共數(shù)據(jù)授權(quán)運營，就是解決高效流通與合規(guī)使用、兼顧效率和公平的有益探索。

第三，技術(shù)支撐，讓“數(shù)據(jù)能流動”。在技術(shù)層面，要在城市層面建立統(tǒng)一的數(shù)據(jù)目錄體系，普及數(shù)據(jù)采集、清洗、標注、脫敏、合成、溯源等工具，建立統(tǒng)一的標簽體系與術(shù)語庫，消除數(shù)據(jù)流動的技術(shù)梗阻。

第四，安全護航，不僅“用得好”，還要“用得安”。數(shù)據(jù)安全與開放并不矛盾，一方面要引入先進的數(shù)據(jù)脫敏和內(nèi)容安全技術(shù)，加強政務(wù)智能體合規(guī)與倫理研究，開展倫理審查和安全評估；另一方面可以探索建立數(shù)據(jù)“避風(fēng)港”，構(gòu)建鼓勵創(chuàng)新、包容審慎的數(shù)據(jù)治理環(huán)境。

小結(jié)

如果把AI的發(fā)展比作一次長跑，那么我們目前所處的位置，大體是“起跑后的加速階段”——模型架構(gòu)爆發(fā)、算力擴張迅速、應(yīng)用場景繁榮。但若要走向“質(zhì)的躍遷”，必須打破數(shù)據(jù)供給的瓶頸。

共享開放的高質(zhì)量數(shù)據(jù)集是AI時代的數(shù)據(jù)基礎(chǔ)設(shè)施。公共數(shù)據(jù)應(yīng)當(dāng)率先成為AI高質(zhì)量數(shù)據(jù)集的“底料”——在開放、透明、安全的制度框架下，點燃創(chuàng)新的火種。讓公共數(shù)據(jù)助力AI發(fā)展，讓AI發(fā)展反哺公共利益、實現(xiàn)公共價值。當(dāng)公共數(shù)據(jù)流動起來，AI的未來也將變得更加可信、開放與包容。

（作者王翔為復(fù)旦大學(xué)數(shù)字與移動治理實驗室研究員）