“新型國家語料庫”如何建設(shè)？3月31日，新京報(bào)從教育部召開的新聞發(fā)布會上獲悉，教育部、國家語委已經(jīng)支持布局了五個(gè)領(lǐng)域的自主安全可控大語言模型建設(shè)項(xiàng)目；教育部已經(jīng)啟動布局了新型國家語料庫的建設(shè)，包括“中華文脈新型語料庫”“中華大閱讀體系語料庫”等。

“當(dāng)前以深度求索（DeepSeek）等為代表的人工智能技術(shù)創(chuàng)新不斷取得突破性的進(jìn)展，在這個(gè)大背景下，國家提出建設(shè)新型國家語料庫的戰(zhàn)略部署，凸顯了其重要性、必要性和緊要性。”在3月31日的新聞發(fā)布會上，教育部語言文字應(yīng)用管理司副司長王暉說道。

他指出，現(xiàn)在在一些應(yīng)用領(lǐng)域，主要是在語言的教育教學(xué)和研究領(lǐng)域，有多個(gè)語料庫，但是很多語料庫還處于單一文本模式和領(lǐng)域應(yīng)用階段，在建設(shè)的理念、技術(shù)和方法、規(guī)模，以及數(shù)據(jù)多樣性、時(shí)效性尤其是與人工智能相結(jié)合的大規(guī)模應(yīng)用方面還存在不足，難以滿足多元化、動態(tài)化尤其是智能化的語言數(shù)據(jù)需求。

“我們總的考慮是：立足人工智能時(shí)代大背景，突破傳統(tǒng)語料庫單一文本模式和領(lǐng)域應(yīng)用壁壘，以大模型訓(xùn)練及性能評測、智能計(jì)算為核心，以新質(zhì)態(tài)、多模態(tài)、多語言、大規(guī)模、全域性為突出特性，為通用領(lǐng)域和細(xì)分領(lǐng)域多場景應(yīng)用及創(chuàng)新發(fā)展提供規(guī)范、可信、高質(zhì)量的語言文化語料資源。”王暉說道。

記者注意到，《教育強(qiáng)國建設(shè)規(guī)劃綱要》提出，要建設(shè)“新型國家語料庫”，近日印發(fā)的《關(guān)于加強(qiáng)數(shù)字中文建設(shè) 推進(jìn)語言文字信息化發(fā)展的意見》（下稱《意見》）中提出，到2027年初步建成國家關(guān)鍵語料庫和國家戰(zhàn)略語言資源信息庫等。

對此，3月31日的發(fā)布會上，教育部語言文字信息管理司司長劉培俊指出，將以建設(shè)語料基礎(chǔ)設(shè)施為新基建，服務(wù)大語言模型以及生成式人工智能等技術(shù)前沿創(chuàng)新應(yīng)用的制高點(diǎn)。

“目前，教育部、國家語委已經(jīng)支持布局了五個(gè)領(lǐng)域的自主安全可控大語言模型建設(shè)項(xiàng)目，下一步將根據(jù)需求穩(wěn)步擴(kuò)大建設(shè)范圍，提升建設(shè)成效。”劉培俊說道。

他進(jìn)一步表示，接下來將夯實(shí)“機(jī)制、標(biāo)準(zhǔn)、人才”三個(gè)基礎(chǔ)。第一是逐步建立健全語料共建共享新機(jī)制，第二是研制語言資源、語言數(shù)據(jù)、基礎(chǔ)語料以及大語言模型的技術(shù)和管理標(biāo)準(zhǔn)，第三是依托高校研究機(jī)構(gòu)推進(jìn)多學(xué)科交叉融合，為語言科技、語料建設(shè)以及人工智能創(chuàng)新應(yīng)用培養(yǎng)高素質(zhì)人才。

王暉透露，2025年，教育部已經(jīng)啟動布局了新型國家語料庫的建設(shè)工作，主要包括兩方面：一是規(guī)范引領(lǐng)，加強(qiáng)制度的供給，研制語料庫建設(shè)規(guī)范，為語料庫建設(shè)提供基礎(chǔ)原則和方法指引。二是示范引導(dǎo)，成熟先上，開發(fā)建設(shè)“中華文脈新型語料庫”“中華大閱讀體系語料庫”，以這兩個(gè)示范庫建設(shè)整體打造出標(biāo)桿。

他解釋，“中華文脈新型語料庫”也可以簡單理解為瞄準(zhǔn)的是智慧教師，“中華大閱讀體系語料庫”瞄準(zhǔn)的是智慧學(xué)伴。“在此基礎(chǔ)上，探索建設(shè)系列教育、語言文化國家新型語料庫群，服務(wù)教育強(qiáng)國、文化強(qiáng)國建設(shè)。”