2027年要初步建立的“國家關(guān)鍵語料庫”是什么 怎么建
“當前，隨著新一輪科技革命和產(chǎn)業(yè)變革，大語言模型、人工智能技術(shù)快速發(fā)展，語料庫的建設規(guī)模與應用范圍也經(jīng)歷了大幅度完善和拓展。”前不久，教育部語言文字信息管理司相關(guān)負責人提到，決定實施國家關(guān)鍵語料庫共建共享計劃，擴展關(guān)鍵領(lǐng)域，支持共建共享，推進應用轉(zhuǎn)化，為全方位釋放語言文字在經(jīng)濟社會發(fā)展中的數(shù)據(jù)要素價值奠定更加寬厚基礎。
近期，教育部、國家語委、中央網(wǎng)信辦印發(fā)《關(guān)于加強數(shù)字中文建設 推進語言文字信息化發(fā)展的意見》(以下簡稱《意見》)。其中提到，到2027年，國家數(shù)字中文建設行動取得重要成效，語言文字數(shù)據(jù)要素價值有效釋放。基本形成“政府主導、部門協(xié)同、社會參與、共建共享”的語言文字信息化工作機制；基本建成國家語言文字大數(shù)據(jù)中心，初步建成國家關(guān)鍵語料庫和國家戰(zhàn)略語言資源信息庫；語言文字信息化標準、前沿語言技術(shù)、優(yōu)質(zhì)語言資源、新型語言服務等基礎支撐能力顯著增強。
“國家關(guān)鍵語料庫”是什么
《意見》提出，推動基礎性語言資源建設，實施國家關(guān)鍵語料庫共建共享計劃，重點支持建設大規(guī)模中文語料庫及高質(zhì)量民族語言文字語料庫、手語盲文語料庫、行業(yè)領(lǐng)域語料庫、語言監(jiān)測動態(tài)語料庫等。
教育部語言文字信息管理司相關(guān)負責人在接受中青報·中青網(wǎng)記者專訪時提到，語料庫是自然語言處理、大語言模型、人工智能技術(shù)創(chuàng)新應用的重要支撐，是經(jīng)濟社會信息化建設、數(shù)字化賦能和智能化發(fā)展的基礎要素，促進語言數(shù)據(jù)賦能信息技術(shù)創(chuàng)新與信息技術(shù)賦能語言文字資源使用的雙向賦能。
以文化傳承領(lǐng)域為例，目前已經(jīng)建設了中華思想文化術(shù)語庫、中華精品字庫、甲骨文數(shù)據(jù)庫、中國語言資源保護數(shù)據(jù)庫等。
其中，中華思想文化術(shù)語庫包括了中華民族所創(chuàng)造或構(gòu)建，凝聚、濃縮了中華哲學思想、人文精神、思維方式、價值觀念，以詞或短語形式固化的概念和核心詞。該語料庫中包括1200余條思想文化術(shù)語、中醫(yī)文化關(guān)鍵詞、典籍譯本、典籍譯名、博雅雙語詞等。
教育部語言文字信息管理司相關(guān)負責人提到，2024年，智能化學習工具“AI小語”正式上線。“AI小語”是以中華思想文化術(shù)語庫為基礎訓練語料、以大語言模型技術(shù)為核心技術(shù)的高交互感智能平臺，對賦能中華優(yōu)秀傳統(tǒng)文化對內(nèi)傳承和對外傳播具有重要意義。
截至目前，教育部、國家語委通過組織開發(fā)、集成匯聚、動態(tài)更新等方式，組織高校、企業(yè)、科研院所等，建設大規(guī)模高質(zhì)量語料庫30余項，相關(guān)語料庫已廣泛應用于經(jīng)濟社會發(fā)展的關(guān)鍵領(lǐng)域。
“國家關(guān)鍵語料庫”怎么建
“信息技術(shù)深刻融入經(jīng)濟社會發(fā)展各領(lǐng)域，需要推動語言文字與信息技術(shù)的深度融合，找準兩者的結(jié)合點、融合點、發(fā)力點。”教育部語言文字信息管理司相關(guān)負責人說。
長期以來，國家語委會同有關(guān)部門研制并發(fā)布了《信息技術(shù)中文編碼字符集》等國家通用語言文字和民族語言文字信息化規(guī)范標準100多項，為自然語言處理技術(shù)在人工智能、數(shù)字產(chǎn)品和信息產(chǎn)業(yè)領(lǐng)域的應用創(chuàng)新奠定規(guī)范基礎。
面向人工智能時代，該負責人介紹，要開展語言資源建設、管理、應用、共享標準研究，重點推進語料庫、數(shù)據(jù)標注、數(shù)據(jù)評價等規(guī)范標準的制訂；服務教育教學，研制大語言模型能力素養(yǎng)(師生版)，引導師生有效、安全使用大語言模型等人工智能技術(shù)；助力文化傳承，研制甲骨文數(shù)字化共享技術(shù)標準。
此外，既要支持語言文字信息處理基礎標準研究，也要鼓勵高校、企業(yè)開展行業(yè)標準、企業(yè)標準研制。加強與工信部、國家民委、國家標準委等部門單位合作。推動已有語言文字信息化相關(guān)規(guī)范標準的修訂工作，加強已有規(guī)范標準的宣傳推廣等。
在專業(yè)化人才隊伍培養(yǎng)上，教育部語言文字信息管理司相關(guān)負責人提到，推動高校增設語言智能、計算語言學等交叉學科方向，增設“語言文字+人工智能”核心課程。此外，鼓勵企業(yè)建設產(chǎn)教融合實訓基地，開展中文信息處理、多語種機器翻譯、語料加工處理、數(shù)據(jù)標注等技能培訓，提升中文專業(yè)以及相關(guān)專業(yè)學生的職業(yè)技能，擴大就業(yè)范圍和就業(yè)渠道。
“今年是落實《教育強國建設規(guī)劃綱要(2024-2035年)》的關(guān)鍵之年，語言文字信息化發(fā)展將展望十年、謀劃五年、立足三年，把握賦能全局高度，加快試點先行進度，激發(fā)協(xié)同創(chuàng)新力度，在落實重點任務上下功夫、見實效。”在前不久舉行的教育部新聞發(fā)布會上，教育部語言文字信息管理司司長劉培俊說。
中青報·中青網(wǎng)記者 楊潔來源：中國青年報