語料數(shù)據(jù)（Corpus Data）指為語言分析、模型訓(xùn)練等目的系統(tǒng)化收集的真實文本或語音材料的集合，是自然語言處理（NLP）領(lǐng)域的核心資源，相當(dāng)于AI學(xué)習(xí)語言的“教材”。在AI時代，語料是人工智能發(fā)展的核心基礎(chǔ)之一，甚至被譽(yù)為AI產(chǎn)業(yè)的“金礦”，是決定模型能力上限的核心要素。隨著國產(chǎn)開源推理大模型DeepSeek的“出圈”，其思維鏈背后用到的數(shù)據(jù)合成技術(shù)，再次提升了對于高質(zhì)量語料數(shù)據(jù)的需求。
政策引領(lǐng)，上海戰(zhàn)略布局推動語料體系建設(shè)
上海作為中國人工智能發(fā)展的前沿陣地，AI相關(guān)產(chǎn)業(yè)正迎來蓬勃發(fā)展的機(jī)遇，而語料正是其中最為關(guān)鍵的抓手之一，語料體系建設(shè)已被納入人工智能發(fā)展的核心框架。
2024年底發(fā)布的《關(guān)于人工智能“模塑申城”的實施方案》中明確提出，到2025年底，建成世界級人工智能產(chǎn)業(yè)生態(tài)，力爭全市智能算力規(guī)模突破100EFLOPS（每秒百億億次浮點運(yùn)算次數(shù)），形成50個左右具有顯著成效的行業(yè)開放語料庫示范應(yīng)用成果。方案還明確提出，要建立一批通用和專用語料庫，打造多層次語料體系，支撐基礎(chǔ)大模型研發(fā)和垂直應(yīng)用。聚焦前沿大模型訓(xùn)練需求，推動打造基礎(chǔ)大模型訓(xùn)練語料庫。聚焦金融、制造、教育、醫(yī)療、文旅、城市治理等行業(yè)需求，打造一批行業(yè)開放語料庫與測試數(shù)據(jù)集。此外，還要推動成立算力和語料基金，探索算力和語料作價入股等模式，加強(qiáng)創(chuàng)新型企業(yè)培育。
在近期舉行的2025全球開發(fā)者先鋒大會上，語料也成為一個備受矚目的議題。2月22日，“語料筑基 智生時代”主題論壇在上海徐匯舉行，會議深度聚焦大模型語料前沿主題，匯聚產(chǎn)學(xué)研用頂尖智慧，共同探討語料數(shù)據(jù)發(fā)展的無限機(jī)遇與潛力，共建上海大模型語料繁榮生態(tài)，為人工智能大模型創(chuàng)新發(fā)展和應(yīng)用注入新動能。
論壇由全球開發(fā)者先鋒大會組委會指導(dǎo)，由上海庫帕思科技有限公司承辦，漕河涇開發(fā)區(qū)總公司、上海人工智能實驗室、商湯科技、階躍星辰、稀宇科技等公司聯(lián)合協(xié)辦。上海市經(jīng)濟(jì)和信息化委員會副主任張宏韜，徐匯區(qū)委常委、副區(qū)長俞林偉出席論壇并致辭。
在論壇上，張宏韜表示，上海已全面戰(zhàn)略布局人工智能大模型產(chǎn)業(yè)，加速推進(jìn)“模塑申城”行動方案，為大模型提供強(qiáng)大的基礎(chǔ)底座賦能和豐富的應(yīng)用場景支持，成為產(chǎn)業(yè)界創(chuàng)新發(fā)展的理想沃土。未來，上海將持續(xù)夯實高質(zhì)量綜合語料基座，構(gòu)建數(shù)據(jù)語料核心樞紐，加快創(chuàng)新語料服務(wù)關(guān)鍵性技術(shù)，加速推動“5+6”垂類領(lǐng)域語料工程，完善行業(yè)語料供給體系，構(gòu)建共贏繁榮的語料服務(wù)生態(tài)，更好助力大模型創(chuàng)新發(fā)展和應(yīng)用。
實踐先行，發(fā)力語料基建建設(shè)和生態(tài)協(xié)同
有研究表明，互聯(lián)網(wǎng)上的高質(zhì)量語言數(shù)據(jù)資源或?qū)⒃?027年消耗殆盡。與開采金礦需要在資源勘察、選礦廠建設(shè)、固定資產(chǎn)購置等方面開展大量工作，高質(zhì)量的語料數(shù)據(jù)也需要解決在獲取、治理、安全、應(yīng)用等多方面存在的挑戰(zhàn)，語料基礎(chǔ)設(shè)施的建設(shè)和生態(tài)環(huán)境的形成至關(guān)重要。
上海為此已采取一系列措施來加強(qiáng)語料庫的建設(shè)和應(yīng)用，推動世界級人工智能產(chǎn)業(yè)生態(tài)的形成。在本屆全球開發(fā)者先鋒大會，上海市經(jīng)信委主任張英表示：“上海將開發(fā)者捧為主角，為這一群體傾力提供資源、政策與氛圍，努力培育繁榮的開發(fā)者生態(tài)�！�
2024年3月，首家由政府主導(dǎo)成立的人工智能語料公司上海庫帕思科技有限公司正式成立，公司定位于專業(yè)化的功能性語料服務(wù)運(yùn)營平臺，致力于提供低成本、高質(zhì)量的語料數(shù)據(jù)服務(wù)。
庫帕思去年已完成構(gòu)建了“1+X”語料基座，語料服務(wù)規(guī)模達(dá)260T，鏈接合作伙伴超100家，簽署戰(zhàn)略合作協(xié)議57家，發(fā)布了9個語料團(tuán)體標(biāo)準(zhǔn)，并完成了7個標(biāo)準(zhǔn)草案。目前已全面啟動具身智能、金融、制造、教育、醫(yī)療、文娛、城市治理等領(lǐng)域的行業(yè)語料庫建設(shè)。同時，為了形成高質(zhì)量的多模態(tài)語料庫，庫帕思也正在建設(shè)大模型語料超級工廠，以每天最高1000GB的速度進(jìn)行語料加工，計劃到今年年底將語料庫的總?cè)萘刻嵘?PB。
在生態(tài)協(xié)同上，徐匯區(qū)作為國家級人工智能產(chǎn)業(yè)集聚區(qū)，在全市率先發(fā)展人工智能大模型產(chǎn)業(yè)，市區(qū)聯(lián)手推出了全國首個大模型創(chuàng)新生態(tài)社區(qū)“模速空間”，打造了算力調(diào)度、開放數(shù)據(jù)、金融服務(wù)等五大功能平臺，為企業(yè)提供“保姆式”“專班式”服務(wù)。俞林偉表示，徐匯將持續(xù)做好落實要素保障，持續(xù)吸引全球頂尖人才，持續(xù)優(yōu)化大模型和語料服務(wù)產(chǎn)業(yè)生態(tài)，把模速空間打造為“全球最大的人工智能孵化器”，打造徐匯建成全國人工智能高地的創(chuàng)新策源尖峰。
模塑申城，語料普惠計劃之語料數(shù)據(jù)智能創(chuàng)意大賽正式啟動
在本屆論壇上，市經(jīng)濟(jì)和信息化委副主任張宏韜、上海信投黨委書記、副總裁黃衛(wèi)軍、人民網(wǎng)上海分公司總經(jīng)理金煜純、上海人工智能協(xié)會秘書長鐘俊浩共同發(fā)布了模塑申城語料普惠計劃之語料數(shù)據(jù)智能創(chuàng)意大賽（簡稱CICC）。依托《模速申城語料普惠計劃》，CICC大賽面向全社會尋找“好語料、好技術(shù)、好場景”，為上�！澳Ｋ苌瓿恰惫こ讨握Z料基石，打通高質(zhì)量語料數(shù)據(jù)采集、標(biāo)注、共享、應(yīng)用全鏈路。
隨后，大會隆重發(fā)布2025語料風(fēng)云榜招募令。為匯聚行業(yè)頂尖智慧、構(gòu)建開放合作生態(tài)，在2024年世界人工智能大會上，庫帕思發(fā)起了首屆語料風(fēng)云榜，一批好企業(yè)、好產(chǎn)品脫穎而出。2025語料風(fēng)云榜將延續(xù)“好企業(yè)、好產(chǎn)品、好規(guī)則”的基本框架，在未來4個月完成征集與遴選，并在2025年世界人工智能大會上正式對外發(fā)布“2025中國語料生產(chǎn)商風(fēng)云榜TOP10”、“2025中國語料服務(wù)商風(fēng)云榜TOP10”。
此外，為進(jìn)一步促進(jìn)高質(zhì)量語料數(shù)據(jù)建設(shè)，在市經(jīng)濟(jì)和信息化委的指導(dǎo)下，庫帕思以普惠、鏈接、創(chuàng)新的態(tài)度，攜手首批103家企業(yè)、科研機(jī)構(gòu)和專家學(xué)者，聯(lián)合發(fā)起成立語料工作委員會。語料工作委員會將圍繞高質(zhì)量語料建設(shè)，通過優(yōu)化語料平臺與各垂類應(yīng)用領(lǐng)域鏈接機(jī)制，促進(jìn)語料方、模型方、應(yīng)用場景方三方合作模式跑通落地，從而構(gòu)建高質(zhì)量、具備應(yīng)用價值的語料生態(tài)。
在可以預(yù)見的未來，上海不但是“魔都”，更將是AI產(chǎn)業(yè)的“模都”，致力于占據(jù)全球人工智能產(chǎn)業(yè)的發(fā)展高地。如今，上海正以語料為支點，撬動人工智能產(chǎn)業(yè)的全球競爭力，為全球行業(yè)發(fā)展提供新基建、新生態(tài)和新路線，這座“最懂開發(fā)者的城市”，正在書寫人工智能時代的“掘金傳奇”。
