什么是高質量數據集？簡單來說，就是高價值、高密度、標準化的數據。

“數據之于大模型，就像石油之于汽車。原油只有經過一系列復雜的過程煉化成汽油后，才能供汽車使用。同樣，海量原始數據需要經過‘煉化’形成高質量數據集，才能助力大模型精準學習數據特征與規(guī)律，有效提升其對不同場景和任務的適應能力。”中國信息通信研究院副院長魏亮告訴記者，數據集的質量影響人工智能的“智商”，近期發(fā)布的深度求索系列模型訓練中，大量使用了高質量推理數據集，凸顯了高質量數據的重要性，“大模型與垂直領域深度融合，同樣也需高質量數據集的支撐。”

建設高質量數據集，有關方面在積極行動。國家數據局等17部門聯(lián)合印發(fā)的《“數據要素×”三年行動計劃(2024—2026年)》提出，“推動科研機構、龍頭企業(yè)等開展行業(yè)共性數據資源庫建設，打造高質量人工智能大模型訓練數據集”。第八屆數字中國建設峰會上，國務院國資委發(fā)布首批10余個行業(yè)、30項央企人工智能行業(yè)高質量數據集，涵蓋了電網調度AI負荷預測數據集、核電SPV設備健康診斷、運行異常及故障預測數據集、金融大模型數據集等。

“隨著基礎模型開源態(tài)勢的形成，各方在算力和模型算法層面的差距正在不斷收窄，數據要素價值更加凸顯，已成為人工智能競爭的核心領域。”國務院國資委規(guī)劃發(fā)展局副局長胡武婕表示，要推動行業(yè)高質量數據集加速匯聚共享，為人工智能產業(yè)提供充足“養(yǎng)分”，從而持續(xù)進行不同場景的訓練優(yōu)化，推動基礎模型在千行百業(yè)落地應用。

目前，高質量數據集建設還存在不少挑戰(zhàn)。魏亮說，一方面，行業(yè)大模型對數據的需求多樣，不同行業(yè)部門對模型場景數據的需求各不相同，增加了數據處理和管理的復雜度。另一方面，在行業(yè)大模型的實際建設中，對于構建和采買的數據沒有統(tǒng)一衡量標準，不同行業(yè)、不同數據源的數據完整性和準確性可能參差不齊，影響了大模型的訓練效果和預測準確性，造成訓練資源浪費。

4月30日，《高質量數據集建設指南(征求意見稿)》發(fā)布。全國數據標準化技術委員會提出，將強化標準引領，分三類建設高質量數據集：一類為“通識數據集”，包含面向社會公眾、無需專業(yè)背景即可理解的通用知識，主要用于支撐通用模型落地應用；一類為“行業(yè)通識數據集”，包含面向行業(yè)從業(yè)人員、需要一定專業(yè)背景才能理解的行業(yè)領域通用知識，主要用于支撐行業(yè)模型落地應用；一類為“行業(yè)專識數據集”，包含面向特定業(yè)務場景相關人員、需要較深的專業(yè)背景才能理解的行業(yè)領域專業(yè)知識，主要用于支撐業(yè)務場景模型落地應用。

國家數據局副局長夏冰表示，數據集的質效提升是人工智能賦能實體經濟的“催化劑”，下一步，國家數據局將構建部際聯(lián)通、央地協(xié)同的工作機制，推動高質量數據集標準體系研究，促進數據、技術、場景對接，構建多元協(xié)同的數據標注產業(yè)生態(tài)，夯實人工智能發(fā)展數據根基。