"过马路时，你要注意看车！" "我计划明天去车展看车。" 这两句话里的"看车"是一个意思吗？相信不少人要会心一笑，表面上看是同一个词组，但其含义因语境 不同发生了变化。 这就是中文里常见的"一词多义"现象。人工智能大模型是一种与人类语言密切相关的技术，要让大模型 深刻理解这一现象，离不开中文数据的持续供给。 目前，国内多数模型训练使用的数据，中文数据占比已经超过60%，有的模型达到80%。大模型训练 中，中文数据占比提升有何意义？中文高质量数据为何持续增加？如何进一步增加中文数据的开发与供 给？记者进行了采访。 数据就像大模型的"知识教材" 不同语言的数据对大模型性能有怎样的影响？"数据就像大模型的'知识教材'，教材的语言属性不同， 会对模型的知识体系产生不同影响。"清华大学计算社会科学与国家治理实验室执行主任、教授孟庆国 表示。 从知识来源看，过去我国大模型常面临"数据依赖"风险——英文数据在全球互联网的占比较高，如前沿 科技论文、行业标准、文化典籍等多以英文呈现，全球高质量标注数据也多以英文为主。 "语言类大模型一般需要遵循一定的语言习惯。"工业和信息化部信息通信经济专家委员会委员盘和林认 为，中文数据占 ...