北京市发布首批人工智能大模型高质量数据集

数据是人工智能产业发展的“牛鼻子”,在产业链中起着价值倍增“放大器”的作用。在进行模型训练中,许多模型企业均反映面临训练数据匮乏、质量难以保障等问题。为积极抢抓人工智能产业发展机遇,充分发挥得天独厚的数据资源优势,北京市积极引导各类市场主体加强数据要素流动,不断夯实人工智能产业发展基础。

7月2日,“2023 全球数字经济大会人工智能高峰论坛”在京举办,本次论坛上发布了首批“北京市人工智能大模型高质量数据集”,10 家单位的 18 个高质量训练数据集入选,包括人民日报语料数据集、国家法律法规语料数据集、两会参政议政建言数据集、“科情头条”全球科技动态数据集、中国科学引文数据库数据集、科技文献挖掘语义标注数据集等,涵盖经济、政治、文化、社会、生态等不同领域,涉及文本、图像、音频、视频等多种形式,总规模超过 500T。这些高质量、大规模、多样性的数据将为通用大模型和行业大模型训练提供有力的数据资源保障,进一步促进北京市数据要素的高效流通和价值释放,助力通用人工智能产业发展和数据要素市场的建设。

5月19日,北京市经济和信息化局还联合北京市发展改革委、北京市科委、中关村管委会共同发布了《北京市通用人工智能产业创新伙伴计划》,其中数据伙伴将发挥海量数据资源优势,为大模型训练提供高质量、大规模、多样性的数据。经过两批次评选,共计19家单位入围,涵盖企事业单位、科研院所、平台企业等。通过市场化机制,这些数据伙伴企业将释放一批高质量数据集。

下一步,北京市将在北京国际大数据交易所和北京AI数据标注库平台上线数据集产品目录,供大模型相关企业及时获取数据集产品信息并进行供需对接。同时,北京市正在探索打造数据训练基地,通过建设可信空间,汇聚更多高质量数据,集中对外提供服务。这将进一步推动北京市大模型技术的研发和应用落地,赋能千行百业数智化转型升级。