面對中文語料數據不足的困境，國內多方主體決定抱團聚力。

　　7月25日，深圳數交所聯合近50家單位成立“開放算料聯盟” 。參與公司不僅有聯通、電信兩大運營商以及騰訊云，還有多家A股公司，包括云天勵飛、奧比中光、優必選、華大基因、海天瑞聲等。

　　其中，海天瑞聲是數據資源服務商，云天勵飛是視覺智能芯片研發商，華大基因是基因測序龍頭之一。奧比中光、優必選為機器人產業相關公司，前者深耕機器視覺，后者是機器人制造商。

　　聯合發起單位華傲數據董事長賈西貝認為，目前芯片行業已經被證實了要走“三分協作”的模式，即分段創新、分域競爭、分工協作，未來AI領域也將走向這樣的模式。

　　據介紹，該聯盟將圍繞高質量中文訓練數據和多模態訓練數據，協調數據要素、數據治理、訓練數據、數據標注、合成數據等相關標準制定，協助數據交易所增加大模型相關的新品類和新專區。

　　各成員將共同貢獻、整理、倡導貢獻自然語言、圖像視頻、語音音樂、程序代碼、生物信息、合成數據等多模態訓練數據，為解決人工智能和數字經濟的數據荒問題，特別是解決多模態數據荒、中文數據荒、中國文化、中國價值觀數據荒等問題提供強有力支撐。

　　▌數據是AI勝負手 豐富中文數據庫迫在眉睫

　　大模型、算力、數據是生成式人工智能發展的三大支柱。數據是關鍵生產要素和生產資料，也可以說是AI的算料。

　　馬斯克在現身xAI團隊首秀時就提及其重要性，在他看來，隨著產品更好地理解問題，所需的算力將減少幾個數量級，而“數據荒”更難解決，“在某個時候，AI訓練會耗盡人類數據，最終人工智能將不得不自己生成數據。”

　　雖然現在未到人類數據用無可用的時刻，但數據資源高昂的費用往往讓人工智能企業望而止步。消息稱，由于Reddit、推特等公司的數據采集要價太高，微軟、OpenAI和Cohere等公司，已使用合成數據來訓練AI模型。

　　對于國內企業而言，更是存在有錢也買不到、買不合適的情況。原因無他，中文語料庫中的內容依然匱乏。此前中國工程院院士高文在演講中提到，全球通用的50億大模型數據訓練集里，中文語料的占比僅為1.3%。

　　正因為如此，解決數據瓶頸問題被提上日程的同時，豐富高質量中文訓練數據迫在眉睫。

　　天風證券分析師繆欣君認為，AI三要素（算法、算力、數據）中數據是直接影響AI大模型在垂直行業落地效果的關鍵。垂類數據通常由政府和行業機構掌握，相比于模型和算力，數據稀缺性明顯。

　　東吳證券分析師王紫敬也表示，數據是AI的勝負手。該分析師還點出了數據更深層次的含義——語言包含價值取向，未來想要不被強勢文化壓縮生存空間，中國必須發展自己的大模型。展望未來，算法和算力都可以通過挖掘優質人才、引進優秀工程實踐，或者直接購買海外優質資產追趕，而培養中文環境的優質數據集、語料庫卻必須長期自我積累沉淀。

　　從投資角度看，公共和垂直行業數據敏感性高，需要具備央國企背景的廠商參與。該機構看好以下三個環節：

　　1）數據運營：預計醫保數據將有望成為公共數據放開的第一站，相關公司包括久遠銀海、山大地緯、中科江南等。

　　2）數據基礎設施：有望成為最先放量兌現的環節。相關公司包括深桑達A、易華錄、云賽智聯、中國電信等。

　　3）數據安全：看好具備央國企背景和數據安全業務積累的相關廠商。相關公司包括啟明星辰、奇安信、安恒信息、電科網安等。