国内多数模型训练使用的中文数据占比超60%｜直击发布会

顶端新闻记者 聂辉 北京报道

8月14日上午，国新办举行“高质量完成‘十四五’规划”系列主题新闻发布会，介绍“十四五”时期数字中国建设发展成就。国家发展改革委党组成员、国家数据局局长刘烈宏介绍，国内多数模型训练使用的中文数据占比已经超过了60%，有的模型已达到80%。中文高质量数据的开发和供给能力持续增强，推动我国人工智能模型性能的快速提升。

国家发展改革委党组成员、国家数据局局长刘烈宏(徐想/摄)

刘烈宏介绍，作为人工智能发展的三大核心要素之一，数据在推动“人工智能+”过程中发挥着关键作用，特别是高质量数据集的建设至关重要。2024年初，我国日均Token(词元)的消耗量为一千亿。截至今年6月底，日均Token消耗量已经突破30万亿，1年半时间增长了300多倍，反映了我国人工智能应用规模的快速增长。

顶端新闻记者在发布会现场了解到，截至今年6月底，我国已经建设高质量数据集超过3.5万个，总体量超过了400PB。400PB的总量相当于中国国家图书馆数字资源总量的140倍左右。人工智能模型的训练也推动了数据交易需求的攀升，截至今年6月底，各地高质量数据集累计交易额近40亿元，数据交易机构挂牌的高质量数据集总规模达到了246PB。

刘烈宏介绍，中文数据在国内大模型的训练性能提升方面发挥着重要作用。目前，国内多数模型训练使用的中文数据占比已经超过了60%，有的模型已达到80%。中文高质量数据的开发和供给能力持续增强，推动我国人工智能模型性能的快速提升。

来源：顶端新闻