图片来源：库帕思科技

AI作为引领全球经济发展的新型驱动力，已成为大国战略竞争的前沿阵地。近年来，我国AI产业呈现快速发展态势，随着AI应用场景的扩展，高质量、多样化、可持续的语料数据需求不断增长，尤其是自动驾驶、医疗诊断、智能客服等领域，对AI模型的精度和可靠性要求极高，对高质量语料数据的需求尤为迫切。围绕语料，去年3月，全国首家人工智能语料公司“库帕思”在上海成立。
“围绕1个综合语料库、X个行业语料库，库帕思成品语料总容量已达260T。”上海市政协委员、上海库帕思科技有限公司CEO黄海清表示，“我们还在领先布局合成数据和思维链数据，这将是大模型实现更好推理能力的核心语料。”
所谓语料，某种意义上就是AI大模型的“教材”，是精心筛选、清洗和标注的高质量训练数据，包括文字、图片、声音等形态，专门用来教会AI大模型理解人的思想以及物理世界。在AI应用中，语料质量直接决定了模型的性能。高质量的训练数据能够有效减少模型在推理过程中的错误率，提高模型在实际应用中的创作能力和生成质量。
可以说，当人们的关注点集中于算力和算法时，库帕思却打出另一张王牌——高质量的语料数据。“库帕思正在建设大模型语料超级工厂，已经全面启动具身智能、金融、制造、教育、医疗、文娱、城市治理等领域的行业语料库建设，按照储备一批、转化一批、应用一批，稳步推进数据语料化工作，并对外提供市场化服务。”黄海清说，“每天，在库帕思平台上，数百个AI自动算子会按照工程师们对语料的设计，对数据进行多道加工，目前日生成语料已接近1TB，预计到今年年底，可望形成1000TB的语料数据集。”
此前，关于如何将数据加工成语料，行业认知相当粗放。不仅如此，语料生产加工的过程也非常原始，高度依赖人工。“我们要从无到有搭建语料方法论，通过技术手段将原始数据转化为可直接训练的高质量语料，推动语料数据向‘鲜活性、真实性、大样本、完整性、多样性、高知识密度’的方向发展。”黄海清说，“今年将重点加强自动清洗算子及自动标注算法等技术研发，到今年年底，团队计划各建300个智能清洗算子和智能标注算子，取代传统劳动密集型人工标注，降低语料成本。”
“库帕思的目标是大幅降低居高不下的AI应用成本，让开发垂类模型的中小企业能够零门槛使用数据，实现‘开箱即用’。”黄海清说，“作为‘模塑申城’行动的重要一环，库帕思不久前发布‘模塑申城语料普惠计划’，将投入上亿元，面向广大中小AI企业，为他们提供开源语料服务。同时，也希望从中找到生态合作伙伴，一起打造面向未来产业的稀缺数据集。”
“汇天下语料，慧世界知识，惠千行百业。”黄海清表示，“我们要打造带有功能性的语料服务专业化运营平台，提供一站式的高质量语料服务，推进多层次语料体系建设，致力于制定行业标准，构建AI生态。”