AIGC行业跟踪报告（四）：中文数字内容成为重要稀缺资源，可用作AI大模型语料库.pdf

中文数字内容将成为重要稀缺资源，用于国内AI大模型预训练语料库。 1）近期国内外巨头纷纷披露AI大模型；在AI领域3大核心是数据、算力、算法，我们认为，数据将成为如ChatGPT等AI大模型的核心竞争力，高质量的数据资源可让数据变成资产、变成核心生产力，AI模型的生产内容高度依赖源头数据。2）根据凤凰网周刊，ChatGPT的中文答案不准确主要在于目前中文语料学习库少，ChatGPT中文资料比重还不足千分之一，为0.09905%，而英文为92.64708%。3）中文公开语料远不足英文，这也成为“中国版ChatGPT”的痛点。微软（中国）首席技术官韦青在3月23日举行的一场行业会议上指出，“ChatGPT能够提炼的语料是开放的、共享的和免费的”，而“中国版ChatGPT”所需要的大量高质量中文数据资源（包括政务数据、商业数据、科研数据、中文语料等）大多被存在各家企业或机构的“后花园”里无法共享，“这不是一两间公司能够解决的问题，需要全社会密切关注并大力投入的公共知识基础设施”。4）政策进一步重视数据核心资产建设。据日经亚