建设高质量数据集促进人工智能产业发展

中国电子信息产业集团有限公司党组成员、副总经理

王桂荣

尊敬的各位领导、各位专家，下午好！非常荣幸能代表中国电子在此进行交流，主题是高质量数据集的建设。今天，我想与大家探讨的核心问题是：在人工智能时代，数据如何发挥其作用。

请看我旁边的表格，它列出了原生的基础大模型和基于医疗行业定制的适应性大模型。我今天想重点讨论的，正是关于行业大模型的问题。在座的各位专家可能都有所体会，无论是国务院总理还是企业总经理，甚至是CFO，都对人工智能的发展感到迫切。然而，企业投资数千万开发了十几个大模型后，发现它们的效果并不理想，有的模型有效，有的则不然。

根据我个人的实践以及我们观察到的客户实践，行业大模型训练出的结果，相较于基础大模型，性能提升可能仅在5%到8%之间。很少有企业能够训练出比基础模型高出10个百分点以上的行业大模型。

那么，为什么会是这样的结果呢？关键在于投入。今天我想重点分享的观点，实际上体现在我右边的两张图中。过去，大家在AI领域的投入主要集中在算力上，基础大模型和中间件也有所投入，但投入到数据上的资金却相对有限。原因在于，企业未能真正挖掘出自身有价值的数据。而未能挖掘的原因，是多方面的。

过去，许多企业在信息化、数字化项目上投入巨资，例如花费1000万建设，其中800万用于硬件，这样的数字化建设几乎注定失败。当前，如果想成功实施行业大模型，数据投入至关重要。据DeepSeek的回答，数据投入应达到60%，豆包也给出了相似的见解。我咨询了一些专家，他们认为未来五年，每年在数据上的投入应增加10个百分点。

在核心观点阐述完毕后，我们目前面临许多问题，包括规模、质量、成本和周期等。高质量数据集的构建并非易事。许多人提出要建设高质量数据集，但具体应该是什么样子呢？原始数据大家可能都见过，但高质量数据集、问答对应该是什么样子呢？我这里展示了一个列表，相信很多人已经有所了解。有了这些数据集，我们要做的就是将左边的原始数据转化为右边的高质量数据集，这需要分几步完成呢？就像把大象放进冰箱一样，我们业界普遍认为需要经过三个步骤：加工、标注和评测，最后是管理和入库。

今天，我重点汇报的是第二步和第三步。在此过程中，我们还讨论了一个重要观点。正如夏局长所言，现在标注产业正从劳动密集型向知识密集型转变。我国有8个基地，这些基地位于一些发展水平不是很高的地区，原本是想利用劳动密集的优势，但现在看来，知识密集和劳动密集需要相结合。我展示的片子重点强调的是，针对复杂任务，人和机器需要结合，而简单任务则可以依赖机器完成。基于这一理念，去年，前蚂蚁金服的副总裁加入中国电子后，我们在高质量数据集的能力建设上取得了显著进展。这位同事带领团队实现了三个“一”：一套工具、一批数据、一套指标，使得数据标注更快、规模更大、质量更高。

一套工具，包括智能标注，正如夏局长所讲，将复杂任务分解为多个简单的标注任务，简单任务由机器完成，更复杂一些的任务则需要人工参与。

第二个是数据合成，现在数据资源消耗殆尽，需要数据合成，数据合成是工具集中非常关键的一个环节。第三个是自动化评测，问答对的结果需要评测，消耗一个结果，但自动化评测不能完全依赖人工，因此自动化评测也非常重要。过去，评测是由许多研究所，如信通院，来颁发证书，而现在的人工智能时代的评测是与生产流程紧密结合的。

举个例子，虽然我们可能不知道什么是正确的，但一定知道什么是错误的。违反重力学定理的，违反基本常识的，这些都是错误的。比如，吃了头孢类药物后不能饮酒，喝了酒不能开车，这些常识是可以固化在所有评测中的。

我们还构建了一批数据集，中国电子也构建了自己的数据集，这些数据集是合成的，并且拥有自主知识产权。过去，我们对数据产权有所顾虑，但现在合成的数据集也是有产权的。

我们还建立了一套指标体系。我们参与了国家标准的制定，牵头了许多行业标准的制定，基于这些标准，我们形成了自身86个评测指标，这些指标能够服务于动态数据质量的构建。

最后，在客户的指导下，我们进行了一些实践，包括文本数据、结构化数据、多模态数据的实践，并取得了一些成果。我们希望未来能通过五种方式服务于客户，推动人工智能产业和数据集的高质量发展，谢谢大家！

（以上内容根据嘉宾发言速记整理）