我國已建設(shè)高質(zhì)量數(shù)據(jù)集超過3.5萬個，體量超過400PB

　　C114訊 8月14日消息(南山)今日，國新辦舉行“高質(zhì)量完成‘十四五’規(guī)劃”系列主題新聞發(fā)布會。

　　國家發(fā)展改革委黨組成員、國家數(shù)據(jù)局局長劉烈宏在發(fā)布會上表示，作為人工智能發(fā)展的三大核心要素之一，數(shù)據(jù)在推動“人工智能+”過程中發(fā)揮著關(guān)鍵作用，特別是高質(zhì)量數(shù)據(jù)集的建設(shè)至關(guān)重要，比如在醫(yī)療健康領(lǐng)域，通過標(biāo)注的醫(yī)學(xué)影像高質(zhì)量數(shù)據(jù)集，模型的疾病診斷準(zhǔn)確率可以提升15%以上。在人工智能時代，Token，也就是大家通常所說的詞元，作為處理文本的最小數(shù)據(jù)單元，如同互聯(lián)網(wǎng)時代大家所說的“流量”。

　　“2024年初，我國日均Token的消耗量為1千億，截至今年6月底，日均Token消耗量已經(jīng)突破30萬億，1年半時間增長了300多倍，這反映了我國人工智能應(yīng)用規(guī)模的快速增長。”劉烈宏指出。

　　我國人工智能的快速發(fā)展，與我國高度重視數(shù)據(jù)工作是密不可分的。國家數(shù)據(jù)局強(qiáng)調(diào)“人工智能+”行動到哪里，高質(zhì)量數(shù)據(jù)集的建設(shè)和推廣就要到哪里。截至今年6月底，我國已經(jīng)建設(shè)高質(zhì)量數(shù)據(jù)集超過3.5萬個，總體量超過了400PB(1PB可存儲約5億張2MB大小的高清照片，400PB的總量相當(dāng)于中國國家圖書館數(shù)字資源總量的140倍左右)。

　　劉烈宏介紹，人工智能模型的訓(xùn)練也推動了數(shù)據(jù)交易需求的攀升，截至今年6月底，各地高質(zhì)量數(shù)據(jù)集累計交易額近40億元，數(shù)據(jù)交易機(jī)構(gòu)掛牌的高質(zhì)量數(shù)據(jù)集總規(guī)模達(dá)到了246PB。以北京數(shù)交所為例，高質(zhì)量數(shù)據(jù)集占交易總量的比例從去年的10%躍升到目前的近80%。上海、天津、安徽等地正在試點(diǎn)“數(shù)據(jù)語料作價入股”等新模式，引導(dǎo)企業(yè)將高質(zhì)量數(shù)據(jù)集折算為股權(quán)投入到相關(guān)企業(yè)。高質(zhì)量數(shù)據(jù)集的發(fā)展需要數(shù)據(jù)標(biāo)注產(chǎn)業(yè)的支撐，我們已布局了成都、沈陽、合肥等7個數(shù)據(jù)標(biāo)注基地，助力高質(zhì)量數(shù)據(jù)集的建設(shè)。

　　劉烈宏還特別提到，中文數(shù)據(jù)在國內(nèi)大模型的訓(xùn)練性能提升方面發(fā)揮著重要作用。大家都非常關(guān)心中文數(shù)據(jù)在訓(xùn)練數(shù)據(jù)中的占比情況，經(jīng)過一段時間的努力，國內(nèi)多數(shù)模型訓(xùn)練使用的中文數(shù)據(jù)占比已經(jīng)超過了60%，有的模型已達(dá)到80%。中文高質(zhì)量數(shù)據(jù)的開發(fā)和供給能力持續(xù)增強(qiáng)，推動我國人工智能模型性能的快速提升。