数据、算法、算力是人工智能发展三大核心要素。王江平认为，大规模、高质量、多样化的数据集是大模型性能突破、落地应用的关键。

近年来，国家围绕高质量数据集建设开展了一系列工作部署，取得了积极进展。在顶层设计层面，国家数据局等17部门联合印发《“数据要素×”三年行动计划（2024—2026年）》，强化场景需求牵引，带动数据要素高质量供给、合规高效流通。在地方层面，湖北、江苏、浙江等地明确高质量数据集的数量、时间及激励机制。

王江平认为，建设国家数据集能够为垂直行业提供丰富且专业的数据支撑，充分释放人工智能在各垂直行业的应用潜力，形成“数据—模型—数据”的良性循环，推动产业升级和创新发展。

“正如学校教材对塑造学生价值观和知识体系至关重要，建设国家数据集可以对数据进行严格筛选、标注和管理，保证训练数据的质量和正确价值取向，为人工智能健康发展提供正确指引，从源头上降低伦理和安全风险。”王江平表示。

畅通数据流通堵点

数据集建设并非易事，目前仍面临数据供给不足、数据产业和数据生态不够丰富等难点。

“数据集在完整性、准确性、一致性、时效性等方面的标准缺失，语料来源广泛但质量参差不齐。”王江平指出，中文公开数据在质量和数量方面远落后于英文数据。在Hugging Face发布的数据集中，英语以37.7%的比重位居首位，而中文仅占3.2%。同时，我国公共数据开放利用程度有待提高，各地开放标准不统一，专门面向人工智能发展的高质量行业数据集仍较匮乏。

具体到垂直领域应用，其大模型训练所需的数据集，既要覆盖行业通识，也要蕴含专门知识。其中，行业专业数据是推动行业大模型应用的重要底座。

王江平表示，目前缺乏专业场景开源数据集，企业出于数据安全和商业竞争考虑开放意愿不足，数据确权、定价、交易、流通等模式仍不清晰。“一个行业的数据治理是否完备非常关键，只有具备科学、完整的数据体系才可能提供一个高水平、专业化的数据集。”他说。

如何打破信息孤岛，提升垂直领域人工智能模型能力？王江平建议，要引导多主体开展高质量行业数据集建设。具体而言，可以联合国家实验室、国家科研机构、高水平研究型大学、科技领军企业等国家战略科技力量，引导优势行业链主企业、地方龙头国有企业、人工智能园区基地、龙头数据服务商等主体，围绕特定领域和场景，协同建设和储备一批高质量数据集；可以鼓励龙头企业和行业协会牵头，建设行业和企业级可信数据空间，构建多方互信的数据流通利用环境，协同上下游主体开放共享数据资源。

王江平还建议，加快制定通用/行业数据集质量标准，在壮大规模的同时更加关注数据专业性，开展数据集质量评估和提升行动。对于涉及国家安全、意识形态、实体制造、医疗健康等关键领域，依轻重缓急原则制定并实行强制性国家标准，明确数据采集、存储、标注、使用等环节的规范和要求，确保数据的安全性、准确性和一致性。

(来源：中国银行保险报)