中文语料库建设呼唤新格局
求是网孙茂松 孔存良2026-07-05
AI 提取 · 核心论点
在大模型时代，中文语料库建设面临数据匮乏、体系不完善和治理机制不足等挑战，需通过拓宽数据来源、完善体系设计、创新版权机制和推动标准建设来构建新格局。
可引用金句
- 没有语料库就没有语言大模型。
- 数据已成为国家关键战略资源。
- 不行不至，行于当行。
- 中文语料库建设的新格局将逐渐形成，从而对我国人工智能的发展作出历史性的新贡献。
规范表述
数据要素数字化转型语言资源数据治理多模态语料库
数据案例
- 全球网站英文内容占比约59.8%，中文内容仅占约1.3%。
- Common Crawl网页语料库中，中文占比仅为约4.8%。
- Anthropic公司因不当使用版权数据，向作者及出版商支付了高达15亿美元的和解金。