加快建设人工智能大模型中文训练数据语料库.pdf

十四个重大问题研究

IMPORTANTISSUES

IMPORTISSUES

加快建设人工智能大模型中文训练数据

语料库

中国政法大学数据法治研究院教授张凌寒

【摘要】人工智能大模型产业发展的三要素为算法、算力与数据，其中训练数据语料库的质

量直接决定了人工智能大模型的能力。中文数据语料总量相较英文数据语料严重不足，同

时存在数据采集行为违法风险较高、公共数据开放利用不足、线下结构化数据版权制度不协

调、商业采购与合作数据无法确定数据权属等障碍，其已成为制约人工智能发展的制度瓶颈。

发展我国人工智能大模型产业可通过司法判例明确网络数据来源合法性认定条件，协调版权

规则确定线下数据使用合理性制度边界，构建开放机制满足公共数据参与语料库建设需求，

协同促进跨领域数据流通交易规则建立供给激励，多方破除制度障碍以应对产业发展需求。

【关键词】人工智能大模型训练数据语料库建设版权制度公共数据

【中图分类号】TP18【文献标识码】A

【D01】10.16619/ki.rmltxsqy.2024.13.006

人工智能是新一轮科技革命和产业变革的重要驱动力量，将对全球经济社会发展和人类文明进步产

生深远影响。中国高度重视人工智能发展，积极推动互联网、大数据、人工智能和实体经济深度融合，

培育壮大智能产业，加快发展新质生产力，为高质量发展提供新动能。在人工智能产业发展的诸多要素

中，训练数据语料库的规模和多样性是技术进步的关键因素。我国训练数据语料库的建设面临一些制度

不协调，制约了人工智能技术的发展。当下迫切需要理清语料库建设存在的障碍，明晰人工智能训练数

据壁垒与低质成因，通过分析人工智能大模型产业训练数据语料库建设需求，提出训练数据语料库制度

协调与规则应对的解决方案。

张凌寒，中国政法大学数据法治研究院教授、博导，联合国人工智能高层顾问机构（UNHigh一

LevelAdvisoryBodyonAI）专家，《人工智能法（学者建议稿）》起草专家组牵头专家。研究方向为民

商法、数据法、人工智能（算法）、平台治理等。主要著作有《权力之治：人工智能时代的算法规制研

究》等。

1学术前沿I

2024年第13期

二十四个重大问题石

大问题研究

IMPORTANTISSUES

两位数乘法的能力，即使开发者并未对其进行专

训练数据语料库是人工智能产业发展的重[2]

门的数学运算训练。

要因素训练数据体量的增加是人工智能大模型出

现涌现效应的基础。“涌现”只存在于训练数

语料库的训练数据规模是大模型能力涌现据达到一定量级，并因此产生质变的大模型中。

的基础。人工智能大模型的能力飞跃得益于涌现如图1所示，谷歌和斯坦福大学的相关研究表明，

效应。涌现效应标志着人工智能大模型的性能产当模型规模达到一定量级时，能力“涌现”突然

生飞跃，能力“涌现”就是指“在小模型中不存发生，并随着模型体量的增加持续攀升。[3]尽管

在，而在大模型中能够展现出的能力”。大模尚不能断言模型尺度是解锁涌现效应的唯一因

型的整体性能和行为会由于“涌现”出现质