數據為王：內容生產者正在重新定位
數據資料成為AI時代的戰略資產，內容生產者對此應該有更深刻的體會
李世達
在全球人工智能競賽火熱推進的當下，人們逐漸體認到，大模型進入推理階段後，數據並不就此失去價值，反而因為動態知識需求而更顯關鍵。「最後一哩」的語料質量與多樣性，往往決定了一個大模型的優劣。
這或許是臉書母公司Meta（META.US）斥資143億美元，戰略性投資AI數據公司Scale AI的主要考量。
Scale AI是一家數據標註與數據清洗的公司，專為AI模型訓練提供高品質語料。數據標註指為圖片、文本或語音資料加上標籤，例如標示出圖片中的行人或文章的傾向等；數據清洗則是刪除錯誤、重複、無效或不相關資料，提升資料準確性與一致性。Scale AI以海量人力與自動化流程，為OpenAI、Meta、Google等科技巨頭提供高質量、結構清晰的數據資料。
優質數據的價值還有另一個例子。美國媒體《紐約時報》宣布，已與科技巨頭亞馬遜（AMZN.US）簽署新聞內容授權協議，將其經過編輯和事實查證的新聞內容投入大模型訓練。而此前還有美聯社對OpenAI的授權也是如此。
雖然表面上是「新聞內容的授權」，但實際上也體現了「內容即資料、資料即服務」的邏輯，不僅反映了媒體對自身內容價值的再認識，也揭示了AI團隊對高質量語料的迫切需求。
相比之下，中文世界面臨公開可用資源佔比極低、專業標註與文化典籍難以大規模數字化等挑戰，更凸顯了中文語料在本土化AI發展中的關鍵地位。
中文語料相對稀缺
據阿里研究院發布的《大模型訓練數據白皮書》指出，全球可爬取網路文本中，英文佔比高達59.8%，中文僅1.3%，一旦放大至需要大規模預訓練的場景，中文語料顯得尤為稀缺。同時，維基百科作為常用開放語料，英文維基擁有超過700萬篇條目，而中文維基則約為150萬篇，二者相差超過三倍。
在這種明顯不均的環境中，中文大模型若缺乏足量的公開預訓練語料，其基礎語言理解與生成能力就會明顯落後於英文對應系統，使得中文AI在理解表達及文化傳承方面可能「喝洋墨水」過多、出現「水土不服」現象。
當然，中國官方機構早已認識到此一問題，紛紛採取行動。人民網、新華社等官方平台積極構建「價值觀對齊」的語料庫，向AI開發方提供經過審核的新聞、評論與政策解讀等高質量文本，為模型價值觀安全層面的訓練奠定基礎。
中國官方亦透過如「網信研究大模型」等項目，聚焦政策法規與官媒語料建設，強化價值觀對齊。
可以想像，對齊中國價值觀是中國AI大語言模型的「基本功」。在中文世界，雖尚未有類似Scale AI規模如此大的公司，但已有多家企業與機構投入數據產業鏈建設，例如北京愛數智慧、雲測數據、科大訊飛（002230.SZ）與海天瑞聲（688787.SH）等公司提供大規模標註與清洗服務。
市調機構IDC的數據顯示，中國AI訓練數據集市場規模在2023年約2.6 億美元，預計到2032年將增至約23.2億美元，複合年增長率約27.4%。
AI模型的進步，最終取決於它「吃進什麼樣的內容」。當新聞、評論、學術論文與文化資產被結構化使用時，其價值從即時資訊轉化為可商用的數據資產。內容生產者不只是「提供素材」的角色，而是數據服務供應鏈的一環，包括新聞媒體在內的內容生產者，或許都應該認真思考自身的附加價值。
李世達，詠竹坊編輯。他的聯絡方式：shihtalee@thebambooworks.com
欲訂閱咏竹坊每周免費通訊，請點擊這裏
