数据如同大模子的细胞，是其人命力的起首。当大模子也曾迈入分级时间黑丝 色情，从通用大模子细分到行业大模子，再精准到企业大模子，东说念主们关于数据的挖掘与专揽是否跟上了大模子进化的速率呢？概况否则。

　　“所有这个词大模子还处在前牛顿时间，咱们只知其然，不知其是以然。”9月5日外滩大会举办“从DATA for AI到AI for DATA”论坛，复旦大学磨真金不怕火、上海市数据科学重心实验室主任肖仰华在会上提议，东说念主们目下关于数据的使用形势短长常轻视且成果低下的，“好比曩昔的真金不怕火金术”。

　　数据使用上的痛点是这场论坛嘉宾商议的焦点。从目下大模子考验情况来看黑丝 色情，数据面对的问题主要在数目和质料两方面。

　　最为直不雅的，是数据的数目。“任一模态的数据集包含多达数亿至数百亿个小文献。”中国工程院院士、清华大学磨真金不怕火郑纬民说，考验大模子所需的海量数据，对存储提议了刚毅的挑战。以元数据管制为例，存储100亿的小文献需要管制7TB元数据。海量的数据同期也增多了时辰与资本的花费。在模子考验前，为了取得高质料的数据样本，需要对数据先进行预处理。据谷歌数据中心统计，大模子的考验中，高达30%的时辰用在了数据的预处理。郑纬民说：“数据预处理支出正成为大模子考验的瓶颈之一。”

　　数据使用的另一制肘是质料，这少许在华文现实上尤为稀奇。北京智源东说念主工智能运筹帷幄院副院长兼总工程师林咏华共享了几个数据。领先是国际数据结合的华文现实占比很少，以数据集Common Crawl为例，其中的华文数据仅占约4.8%，而且83%起首于国外华文网站。“这就导致了这些数据集考验的大模子长期是‘英文念念维’，其现实的安全性、文化价值不雅难以保证。”林咏华说，华文现实同期还面对数据孤岛问题，公共互联网网页谈话占比变化涌现，华文网页占比有所下跌，从2013年占比4.5%下跌到2024年的1.3%。

　　“数据质料决定了模子的性能、资本、安全性。”林咏华说，因此包括北京智源东说念主工智能运筹帷幄院在内的多家机构正在鼓动数据的开源，咱们长期觉得，需要一定量的高质料数据十足开源出来，去供给高校、科研团队、种植者去使用，才气禁止推行大模子，为大模子行业提供坚实的数据撑握。

　　肖仰华则觉得，相接大模子的数据，是翻开大模子“黑盒”，提高大模子真的的迫切形势。“当今的大模子还时常会有幻觉，这个问题要是不处分，大模子无法信得过走向千行百业。”肖仰华觉得，这一历程需要小模子、智能图谱进行协同，但无论是大模子、小模子如故常识图谱，它的泉源王人是数据，是以数据在所有这个词大模子时间体系中处于一个中枢的基础地位。

　　“数据是大模子常识的起首，大模子是寰宇常识的编码器。”肖仰华说，一朝跳跃数据使用的难关，大模子将走向更深的专揽黑丝 色情，“届时大模子将信得过迈入科学时间。”