今天分享的是华泰证券2023年5月11日发布的电子通信行业证券研究报告:《AI大模型需要什么样的数据》,PDF报告共45页。
精选报告来源公众:【幻影视界】
报告摘要如下:
数据是大模型竞争关键要素之一,关注中国 AI 大模型数据发展
AI 的突破得益于高质量数据,我们认为数据是大模型竞争关键要素之一:1)训练大模型需要高质量、大规模、多样性的数据集;2)优质中文数据集稀缺,数字中国战略将促进数据要素市场完善,助力数据集发展。近期欧洲议会议员《人工智能法案》提案、网信办《生成式人工智能服务管理办法(征求意见稿)》对大模型训练数据的版权披露、合法性提出要求,对于数据产业链的投资机会,我们认为:1)数据资产储备公司的商业化进程值得关注;2)行业数据价值高,具有优质数据和一定大模型能力的公司或通过行业大模型赋能业务;3)关注卡位优质客户、技术降低人力成本的数据服务企业。
海外开源数据集积累丰富,合成数据或将缓解高质量数据耗尽隐忧
我们梳理了海外主要的开源语言和多模态数据集,主要的发布方包括高校、互联网巨头研究部门、非盈利研究组织以及政府机构。我们认为海外积累丰富的开源高质量数据集得益于:1)相对较好的开源互联网生态;2)免费线上书籍、期刊的长期资源积累;3)学术界、互联网巨头研究部门、非盈利研究组织及其背后的赞助基金形成了开放数据集、发表论文-被引用的开源氛围。然而,高质量语言数据或于 2026 年耗尽,AI 合成数据有望缓解数据耗尽的隐忧,Gartner 预测 2030 年大模型使用的绝大部分数据或由 AI 合成。
中文开源数据集数量少、规模小,看好数字中国战略激活数据要素产业链
与国外类似,国内大模型的训练数据包括互联网爬取数据、书籍期刊、公司自有数据以及开源数据集等。就开源数据集而言,国内外的发布方都涵盖高校、互联网巨头、非盈利机构等组织。但国内开源数据集数量少、规模小,因此国内大模型训练往往使用多个海外开源数据集。国内缺乏高质量数据集的原因在于:1)高质量数据集需要高资金投入;2)相关公司开源意识较低;3)学术领域中文数据集受重视程度低。看好数字中国战略助力国内数据集发展:1)各地数据交易所设立运营提升数据资源流通;2)数据服务商链接数据要素产业链上下游,激活数据交易流通市场,提供更多样化的数据产品。
数据产业链投资机会:关注数据生产与处理环节
数据产业链包括生产、处理等环节。我们认为数据生产可以分为通用数据和行业数据:1)海外主要数据集的通用数据来自维基、书籍期刊、高质量论坛,国内相关公司包括文本领域的百度百科、中文在线、中国科传、知乎等,以及视觉领域的视觉中国等。2)数据是垂直行业企业的护城河之一,相关公司包括城市治理和 ToB 行业应用领域的中国电信、中国移动、中国联通,CV 领域的海康、大华等。数据处理环节,模型研发企业的外包需求强烈,利好卡位优质客户、技术赋能降低人力成本的数据服务企业,如 Appen、Telus International、Scale AI。
隐私保护:监管与技术手段并举
个人数据的采集、存储和处理引发了对于 AI 时代数据隐私保护的关注。隐私保护可从监管、技术角度着手:1)监管:全球各地区出台相关法律法规,例如《中华人民共和国个人信息保护法》、欧盟《通用数据保护条例》等。2)技术:隐私保护计算在不泄露原始数据的前提下,对数据进行处理和使用。
(本文仅供参考,不代表我们的任何投资建议。如需使用相关信息,请参阅报告原文。)
精选报告来源公众:【幻影视界】
Nint任拓-数字零售专家 2024-11-19