仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
大力出奇迹造就了预训练大模型的成功。这里的大力除了把模型参数量调大外，更为重要的是用于训练它们的大量和高质量的数据。
阿里开源的Qwen2.5系列的训练数据规模达到18万亿token，是目前开源模型中训练数据量最大的之一。DeepSeek-V3的训练数据规模为14.8万亿token，GPT-4的训练数据规模约为13万亿token，此外，OpenAI还使用了来自ScaleAI和内部标注的数百万行指令微调数据来优化模型性能。
图1.来源于DataFunTalk
但最大的问题是基于开源数据的训练无法避免幻象问题的产生，因此RAG技术显得更为重要，各行各业专有知识数据的价值飙升，而工业场景应用也从模型为中心转变到以数据为中心。这预示着针对企业专有知识数据的采集、标注、训练将成为生产经营的刚需。随着AI大模型普及，企业专有数据价值凸显。
从政策层面看，今年年初，国家发展改革委等部门联合发布《关于促进数据标注产业高质量发展的实施意见》，同时国家数据局近日表示，未来将进一步畅通数据采集、标注、人工智能应用产业链，这均标志着国家在大力推进数据标注产业发展。
从闭环解决方案层面看，企业需要搭建一个可发现、可管理、可协作、可迭代的数据管道，才能具备获取数据、生产数据、持续迭代数据的能力，促进内部以数据为中心的协作，从而在AI2.0时代中获得核心竞争力。
图2.来源于数据驱动智能
然而，随着高质量发展的不断深化，产业长期存在的数据来源模糊、标注质量失控、隐私泄露、敏感信息不当处理等合规问题日渐突出。当技术创新与合规风险形成对冲，行业亟需一套低成本、可复制的解决方案。未来随着监管趋严，相关企业在数据标注层面的合规能力，或成其核心竞争力。
为提升数据标注行业规范化发展，智合标准中心正式启动《面向人工智能的数据标注合规指南》团体标准研制（以下简称“《标准》”）。现邀请人工智能厂商、数据标注企业、合规专业服务机构、技术方案提供商等加入标准起草编制组，共探数据标注产业高质量发展的合规路径。
【已确认参与起草的部分单位】
公安部第三研究所
中国电子信息产业发展研究院（赛迪研究院）
北京云测数据科技有限公司
江苏钟吾大数据发展集团有限公司
蚂蚁科技集团股份有限公司
福建中锐电子科技有限公司
北京易华录信息技术股份有限公司
北京集纳盛广网络科技有限公司（37度数据）
杭州数据交易所有限公司
北京热热文化科技有限公司（热热数据）
澳鹏Appen
国网江苏省电力有限公司连云港供电分公司
广西影迅物流有限公司
金华途样网络科技有限公司
重庆群星引力大数据科技有限公司
北京之合网络科技有限公司
北京市环球律师事务所
广东广悦律师事务所
浙江浦源律师事务所
更多单位确认中…..
《标准》将帮助AI企业从源头低成本解决数据标注合规难题，结合“业务场景实操化、人员管理规范化、企业经营稳健化”3大原则，聚焦数据来源、标注内容与过程操作、标注人员管理、数据安全与隐私保护、监督和审计机制5大关键合规议题展开研制。
欢迎人工智能厂商、数据标注企业、合规专业服务机构、技术方案提供商等相关单位参与起草工作，与会共研、共议标准优化方向。
如您对本标准感兴趣，欢迎扫码填报信息，后续会有工作人员与您联系
【编制计划】
