ai時代的數(shù)據(jù)要素開發(fā)與治理研究

?

人工智能概念的提出已有60多年時間，但直到1997年IBM的深藍計算機戰(zhàn)勝國際象棋大師才為大眾所知，不過基于專家系統(tǒng)經(jīng)驗的智能有限。2016年，AlphaGo戰(zhàn)勝世界圍棋高手初顯大數(shù)據(jù)實力，但也只是在規(guī)則下的算法熟能生巧，類似的方法推動了自然語言識別與人臉識別技術的發(fā)展。2022年底，ChatGPT的問世標志著人工智能從判別式發(fā)展到生成式的跨越，雖然目前的大模型只是針對特定任務和指定模態(tài)，離通用人工智能還有不少距離，但語言大模型讓機器初步具有常識，懂得推理，學會創(chuàng)作，讓人和機器能以較自然的方式互動，通過與周邊工具的結合，表現(xiàn)出擬人的智能。與AlphaGo將數(shù)據(jù)作為查詢和判別的依據(jù)不同，ChatGPT可以說讀透與消化了數(shù)據(jù)，融會貫通計上心來，得出源于數(shù)據(jù)高于數(shù)據(jù)的結論。生成式大模型賦予數(shù)據(jù)以新的生命力，AI時代大數(shù)據(jù)蘊含的價值將進一步涌現(xiàn)。數(shù)據(jù)因AI而變得越來越重要，數(shù)據(jù)要素是新型生產(chǎn)力的代表，數(shù)據(jù)挖掘能力成為新時代的國家重要競爭力。

? ? ?一、培育數(shù)據(jù)資源，促進開放共享

數(shù)據(jù)是生產(chǎn)和生活過程的記錄及對自然觀察的結果。2022年中國人口占全球18%，網(wǎng)民占全球21.5%，GDP占全球18.06%。據(jù)國家網(wǎng)信辦《數(shù)字中國發(fā)展報告（2022年）》數(shù)據(jù)顯示，2022年我國數(shù)據(jù)產(chǎn)量達8.1ZB，同比增長22.7%，全球占比為10.5%，位居全球第二；我國數(shù)據(jù)存儲量達724.5EB，同比增長21.1%，全球占比為14.4%。中國產(chǎn)生和存儲的數(shù)據(jù)在全球的占比均低于中國的人口、網(wǎng)民和經(jīng)濟規(guī)模在全球的比例。據(jù)Synergy Research Group截至2021年Q3季度統(tǒng)計，美國大規(guī)模數(shù)據(jù)中心在全球占比高達49%，其次是中國占比為15%?？梢娢覈鴶?shù)據(jù)存儲量與美國相比差距還比較大，這反映了我國在社會信息化和產(chǎn)業(yè)數(shù)字化程度上仍落后于美國，加快數(shù)字中國的建設將有望盡快改變這一狀況。

政府與研究機構及企業(yè)都會存儲大量數(shù)據(jù)，其中政府掌握全社會數(shù)據(jù)約80%，而且是高質(zhì)量數(shù)據(jù)，但主要卻僅供內(nèi)部使用甚至是本部門內(nèi)小單位各自存儲和使用而非共享，數(shù)據(jù)利用率不高。需要從制度上明確共享內(nèi)容、權限和責任，促進政府部門間數(shù)據(jù)共享，更精準地把握社會和經(jīng)濟運行全局，提升政府部門間工作的協(xié)同性。與共享相比，數(shù)據(jù)開放更是社會數(shù)字化的標志之一，政府及企事業(yè)單位掌握的公共數(shù)據(jù)具有很強的社會性，政府開放數(shù)據(jù)對提升政府公信力、降低社會成本，帶動數(shù)字經(jīng)濟發(fā)展有重要作用。國際上將政府數(shù)據(jù)開放作為數(shù)字政府的重要衡量指標，據(jù)《聯(lián)合國電子政務調(diào)查報告2022》數(shù)據(jù)顯示，從2012年到2022年的十年間，中國在線服務指數(shù)從0.5294上升到0.8876，在193個國家中排名從第62位上升到第15位，愛沙尼亞、芬蘭、韓國位居前三，美國第8，日本第9。我國還存在政務數(shù)據(jù)標準規(guī)范體系待健全、政務數(shù)據(jù)統(tǒng)籌管理機制待完善，政務數(shù)據(jù)安全保障能力待加強的問題，需要從建設數(shù)據(jù)流通基礎制度體系入手，加快數(shù)據(jù)立法，完善制度規(guī)范，統(tǒng)籌協(xié)調(diào)推進，編制數(shù)據(jù)目錄，分類分級管理，夯實共享開放機制，提升安全保障。

除了政府開放數(shù)據(jù)以外，社會公共數(shù)據(jù)的開源開放也表征數(shù)據(jù)流通的水平。人工智能生成內(nèi)容（AIGC）大模型都是利用語料庫訓練的，一些互聯(lián)網(wǎng)大廠利用電商、社交、搜索等業(yè)務收集和標注了海量的語料供自身訓練大模型使用，沒有語料積累的企業(yè)和研究機構雖然可以從網(wǎng)絡獲得語料，但自媒體內(nèi)容質(zhì)量良莠不分，未經(jīng)清洗與標注就用作大模型的訓練語料其效果堪憂。ChatGPT大模型訓練時使用了開源語料庫，但中文詞元（Token）占比不到0.1%，還不及一些小語種的比例，其中的原因與中文開源語料庫數(shù)量少和規(guī)模小有關。國內(nèi)高校也有數(shù)億到數(shù)十億字的語料庫但尚未開源。國內(nèi)一些語言大模型直接采用國外開源語料庫訓練，在價值觀的把控上存在潛在風險，建議對面向公眾開放應用的對話類大模型需要做語料來源的評估。面向重要應用場景的大模型不宜強調(diào)訓練用數(shù)據(jù)免標注和無監(jiān)督學習，還是要采用經(jīng)過清洗標注的數(shù)據(jù)集和保留人工微調(diào)，即有監(jiān)督學習環(huán)節(jié)。

行業(yè)大模型的訓練也面臨挑戰(zhàn)，專業(yè)數(shù)據(jù)沒有通用數(shù)據(jù)容易獲得，行業(yè)內(nèi)的企業(yè)間往往不愿共享專業(yè)數(shù)據(jù)。為此有必要建立高質(zhì)量國家級重要行業(yè)領域基礎知識庫、數(shù)據(jù)庫、資源庫等。此外要鼓勵社會數(shù)據(jù)要素的合理流動和利用。中共中央、國務院《關于構建數(shù)據(jù)基礎制度更好發(fā)揮數(shù)據(jù)要素作用的意見》提出，依法規(guī)范、共同參與、各取所需、共享紅利的發(fā)展模式，將合理降低市場主體獲取數(shù)據(jù)的門檻，增強數(shù)據(jù)要素共享性、普惠性，激勵創(chuàng)新創(chuàng)業(yè)創(chuàng)造。

? ? ?二、大模型驅(qū)動數(shù)據(jù)范式創(chuàng)新

基礎大模型通常從通用語料訓練生成，通識能力強，從聊天對話入手容易反饋迭代優(yōu)化，但聊天難成剛需，落地行業(yè)應用將更顯大模型的價值，但基礎大模型缺乏行業(yè)專業(yè)知識，需要大模型提供方與垂直行業(yè)合作開發(fā)行業(yè)大模型。一種模式是企業(yè)將數(shù)據(jù)交基礎大模型進行再訓練，待調(diào)優(yōu)至理想后再進行知識蒸餾、量化及針對特定場景遷移等縮小模型規(guī)模的工作，但后續(xù)模型微調(diào)和云邊端部署等仍需算法工程師支撐，企業(yè)技術力量不足還得依賴模型提供方，企業(yè)數(shù)據(jù)交到模型提供方有數(shù)據(jù)泄漏風險，但數(shù)據(jù)不全面則會導致訓練效果差。另一種模式是企業(yè)具有算法工程師，按照特定業(yè)務場景以專有數(shù)據(jù)對基礎大模型進行微調(diào)，形成行業(yè)大模型或多個基于實際業(yè)務的小模型，最好是在預訓練階段就加入垂直行業(yè)企業(yè)的數(shù)據(jù)，預訓練和指令微調(diào)交錯進行，提高模型對行業(yè)知識的表達、理解、遷移和泛化能力。

一些強監(jiān)管、重數(shù)據(jù)安全的行業(yè)核心企業(yè)，例如頭部金融機構等，通常不會在第三方基礎大模型上構建專業(yè)大模型，而是采用數(shù)據(jù)私有化、模型私有化、本地私有云方式構建大模型，即在加密環(huán)境中使用私有數(shù)據(jù)訓練專業(yè)大模型，但需要面對成本與技術門檻高的挑戰(zhàn)。總的來說，無論自建或合作開發(fā)行業(yè)大模型，數(shù)據(jù)安全都是前提，既掌握大模型訓練技術又熟悉行業(yè)專業(yè)知識的人才是關鍵。

中小企業(yè)因資金、技術和人才的限制，少有能力與基礎大模型提供方合作開發(fā)行業(yè)大模型，MaaS（模型即服務）應運而生，這是針對中小企業(yè)而提出的服務模式，MaaS部署在中小企業(yè)本地設備上或公有云上，以小切口嵌入PaaS與SaaS間，并提供調(diào)用基礎大模型的接口，可加入企業(yè)自身數(shù)據(jù)對模型精細化調(diào)整，從而將大模型能力嵌入到SaaS產(chǎn)品上，解決了傳統(tǒng)SaaS面臨的客戶定制化需求和標準化產(chǎn)品規(guī)?；g的難題?；贛aaS通過大模型可優(yōu)選小程序及配套的低代碼開發(fā)和模型編排等工具，PaaS可據(jù)此搭建低代碼平臺，豐富工具軟件，實現(xiàn)數(shù)據(jù)和功能的定制化，以MaaS方式使中小企業(yè)上云的同時使用個性化的小模型，為數(shù)字化轉(zhuǎn)型提供智能解決方案。當前大模型不僅是一種技術，它重塑了數(shù)據(jù)要素生態(tài)鏈，引領產(chǎn)業(yè)研究開發(fā)應用的范式變革，標志著信息化發(fā)展從網(wǎng)絡驅(qū)動到數(shù)據(jù)驅(qū)動。面對大模型浪潮，需要在國家戰(zhàn)略與規(guī)劃部署下，統(tǒng)籌推進政產(chǎn)學研用，引導“百模并發(fā)”形成合力，避免資源分散和低水平重復，實現(xiàn)數(shù)據(jù)采集匯聚、加工處理、流通交易、開發(fā)應用全鏈條協(xié)同。

? ? ?三、數(shù)據(jù)助力社會治理信息化

習近平總書記指出“隨著互聯(lián)網(wǎng)運用普及和大數(shù)據(jù)等技術快速發(fā)展，國家治理正逐步從線下向線下線上相結合轉(zhuǎn)變，從掌握少量‘樣本數(shù)據(jù)’向掌握海量‘全體數(shù)據(jù)’轉(zhuǎn)變，這為推動治理模式變革、提升國家治理現(xiàn)代化水平提供了有利條件”。從網(wǎng)格化管理、精細化服務、信息化支撐的基層治理平臺，到一網(wǎng)統(tǒng)攬一網(wǎng)通辦的城市大腦，利用大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)等信息化手段感知社會態(tài)勢、暢通溝通渠道、支持快速響應，推進政府決策科學化、社會治理精準化、公共服務高效化。特別是AIGC技術的應用，重構政府與民眾之間的互動過程，大模型能夠提升對現(xiàn)實生活中復雜大系統(tǒng)問題的處理能力，能夠精準防控社會發(fā)展中的風險，能夠有力維護政治穩(wěn)定和社會安全，進一步促進經(jīng)濟發(fā)展和社會進步。

AI特別是生成式大模型技術是雙刃劍，其推理過程不透明，解答有自圓其說的成分，尤其使用了未經(jīng)鑒別的語料訓練用于社會治理的大模型，可能會觸發(fā)對公眾的誤導，甚至引起價值觀的沖突。AI技術也可能被濫用或惡意利用來制造虛假新聞，引發(fā)社會傳播風險，危害國家安全。我們既要用AI來輔助社會治理也要治理AI行為，但不能因AI的使用可能失控而限制對AI技術的研究與應用，AI技術需要在應用中反饋和迭代升級。當前，國際貿(mào)易、科技合作、人員往來不可避免數(shù)據(jù)跨境流動，數(shù)據(jù)的社會治理也面臨對外開放的挑戰(zhàn)，解決之道是AI監(jiān)管制度體系建設與AI技術研究并重，發(fā)展與安全治理協(xié)同，使AI的監(jiān)管創(chuàng)新與技術發(fā)展相輔相成，以技術手段和治理規(guī)范兩手應對大模型的算法偏見和倫理道德失序，以法律法規(guī)防止各類數(shù)據(jù)安全事件發(fā)生和維護國家安全。為此，首先需要按照《關于構建數(shù)據(jù)基礎制度更好發(fā)揮數(shù)據(jù)要素作用的意見》，盡快完善數(shù)據(jù)產(chǎn)權制度、數(shù)據(jù)要素流通和交易制度、數(shù)據(jù)要素收益分配制度、數(shù)據(jù)要素治理制度，為AI技術的發(fā)展與治理提供行為規(guī)范。其次是重視數(shù)據(jù)監(jiān)管的技術創(chuàng)新，APN6（基于IPv6的應用感知網(wǎng)絡） 和iFIT（基于IPv6的隨流檢測）可以標注IP流的屬性，包括數(shù)據(jù)類型和對IP流路徑溯源，有利于對跨境數(shù)據(jù)流動的管理，IPv6的多歸屬特性可以分流敏感數(shù)據(jù)。多方計算等技術可以在不同所有者的數(shù)據(jù)融合時做到數(shù)據(jù)可用不可見。加快各類數(shù)據(jù)監(jiān)管和數(shù)據(jù)安全技術的研究已成當務之急，要為數(shù)據(jù)管理規(guī)范盡快填補技術支撐手段的不足或缺失。

? ? ?四、加快數(shù)據(jù)基礎設施建設

大模型的數(shù)據(jù)訓練與推理都需要算力支撐，中國2022年算力總規(guī)模為180Eflops，低于2021年美國的200Eflops，其中智能算力2022年中國為41Eflops，不及2021年美國的65Eflpos，這反映了我國在大模型的數(shù)據(jù)訓練和推理算力上的差距。算力的建設是市場行為，但國家統(tǒng)籌推進將優(yōu)化資源的利用和產(chǎn)業(yè)的合理布局。“東數(shù)西算”作為國家戰(zhàn)略部署具有中國特色，反映我國區(qū)域經(jīng)濟、地理氣候特點和能源分布的格局，政府之手的作用在東西部數(shù)據(jù)資源配置與有效應用上不是可有可無的。西部不足之處是數(shù)據(jù)中心產(chǎn)業(yè)配套能力薄弱和人才短缺，需要同步規(guī)劃布局數(shù)據(jù)清洗標注、數(shù)據(jù)機房產(chǎn)品及服務業(yè)的培育發(fā)展，延伸產(chǎn)業(yè)鏈上下游，在做好承接東部的溫冷數(shù)據(jù)的存算的同時，還要帶動起當?shù)責釘?shù)據(jù)的上云服務，使西部的數(shù)據(jù)集群發(fā)展形成良性循環(huán)。

算力的布局需要處理好幾方面的關系，一是通用算力與智能算力的合理比例，通用算力以CPU為主，適合處理政務、智慧城市和智能客服等數(shù)據(jù)/計算密集的事務性任務；智能算力以GPU為主，適合做大模型的訓練，注意到在數(shù)據(jù)訓練過程中還需要算法工程師介入和微調(diào)，智算中心適于在數(shù)據(jù)源集中和算法工程師聚集地建設，不宜全面開花，動用財政資金支持的大型智算中心的建設應慎重規(guī)劃。二是自建算力與云原生算力，很多單位有自建算力的積極性，但麥肯錫報告顯示，商用和企業(yè)數(shù)據(jù)中心的服務器很少超過6%的利用率，通常高達30%的服務器帶電閑置。需要鼓勵中小企業(yè)從自購AI服務器搭建數(shù)據(jù)中心向采購云服務轉(zhuǎn)變，既降低成本又提高利用率，增強抗DDoS的能力及減碳；需要引導縣級地方政府使用省地集中建設的政務云代替獨立采購IT基礎設施。三是存算比例，存力與算力需配合，內(nèi)存與算力合理比例是GB/Gflops為1，避免因存力短缺造成算力等待而影響處理效率，據(jù)華為/羅蘭貝格報告，2020年美國為1:0.9，中國為1:2.4。四是災備容量與主用數(shù)據(jù)中心存儲容量之比，數(shù)據(jù)中心需異地雙容災備份，關鍵數(shù)據(jù)實現(xiàn)本地雙活，2020年當年數(shù)據(jù)災備保護占數(shù)據(jù)中心存儲投資的比例全球平均為27.4%，而我國只有7.8%，需重視改進。

數(shù)據(jù)作為生產(chǎn)要素是經(jīng)濟理論與實踐的創(chuàng)新。數(shù)據(jù)與土地、勞動力、資本等傳統(tǒng)生產(chǎn)要素不同，數(shù)據(jù)要素的開發(fā)與治理有很多需要深入研究的問題，例如數(shù)據(jù)的可復制性、使用無損性等導致數(shù)據(jù)產(chǎn)權和安全管理邊界難以界定。黨中央決策部署組建國家數(shù)據(jù)局，負責協(xié)調(diào)推進數(shù)據(jù)基礎制度建設，統(tǒng)籌數(shù)據(jù)資源整合共享和開發(fā)利用，統(tǒng)籌推進數(shù)字中國、數(shù)字經(jīng)濟、數(shù)字社會規(guī)劃和建設等，將有力促進數(shù)據(jù)要素技術創(chuàng)新、開發(fā)利用和有效治理，以數(shù)據(jù)強國支撐數(shù)字中國的建設。

（作者：中國工程院院士?鄔賀銓）

編輯：黃飛

?