2027年要初步建立的“國家關鍵語料庫”是什么怎么建

“當前，隨著新一輪科技革命和產業變革，大語言模型、人工智能技術快速發展，語料庫的建設規模與應用范圍也經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負責人提到，決定實施國家關鍵語料庫共建共享計劃，擴展關鍵領域，支持共建共享，推進應用轉化，為全方位釋放語言文字在經濟社會發展中的數據要素價值奠定更加寬厚基礎。

近期，教育部、國家語委、中央網信辦印發《關于加強數字中文建設 推進語言文字信息化發展的意見》（以下簡稱《意見》）。其中提到，到2027年，國家數字中文建設行動取得重要成效，語言文字數據要素價值有效釋放。基本形成“政府主導、部門協同、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據中心，初步建成國家關鍵語料庫和國家戰略語言資源信息庫；語言文字信息化標準、前沿語言技術、優質語言資源、新型語言服務等基礎支撐能力顯著增強。

“國家關鍵語料庫”是什么

《意見》提出，推動基礎性語言資源建設，實施國家關鍵語料庫共建共享計劃，重點支持建設大規模中文語料庫及高質量民族語言文字語料庫、手語盲文語料庫、行業領域語料庫、語言監測動態語料庫等。

教育部語言文字信息管理司相關負責人在接受中青報·中青網記者專訪時提到，語料庫是自然語言處理、大語言模型、人工智能技術創新應用的重要支撐，是經濟社會信息化建設、數字化賦能和智能化發展的基礎要素，促進語言數據賦能信息技術創新與信息技術賦能語言文字資源使用的雙向賦能。

以文化傳承領域為例，目前已經建設了中華思想文化術語庫、中華精品字庫、甲骨文數據庫、中國語言資源保護數據庫等。

其中，中華思想文化術語庫包括了中華民族所創造或構建，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余條思想文化術語、中醫文化關鍵詞、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語庫為基礎訓練語料、以大語言模型技術為核心技術的高交互感智能平臺，對賦能中華優秀傳統文化對內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、集成匯聚、動態更新等方式，組織高校、企業、科研院所等，建設大規模高質量語料庫30余項，相關語料庫已廣泛應用于經濟社會發展的關鍵領域。

“國家關鍵語料庫”怎么建

“信息技術深刻融入經濟社會發展各領域，需要推動語言文字與信息技術的深度融合，找準兩者的結合點、融合點、發力點。”教育部語言文字信息管理司相關負責人說。

長期以來，國家語委會同有關部門研制并發布了《信息技術中文編碼字符集》等國家通用語言文字和民族語言文字信息化規范標準100多項，為自然語言處理技術在人工智能、數字產品和信息產業領域的應用創新奠定規范基礎。

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、數據標注、數據評價等規范標準的制訂；服務教育教學，研制大語言模型能力素養（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；助力文化傳承，研制甲骨文數字化共享技術標準。

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、企業開展行業標準、企業標準研制。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規范標準的修訂工作，加強已有規范標準的宣傳推廣等。

在專業化人才隊伍培養上，教育部語言文字信息管理司相關負責人提到，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，鼓勵企業建設產教融合實訓基地，開展中文信息處理、多語種機器翻譯、語料加工處理、數據標注等技能培訓，提升中文專業以及相關專業學生的職業技能，擴大就業范圍和就業渠道。

“今年是落實《教育強國建設規劃綱要（2024-2035年）》的關鍵之年，語言文字信息化發展將展望十年、謀劃五年、立足三年，把握賦能全局高度，加快試點先行進度，激發協同創新力度，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布會上，教育部語言文字信息管理司司長劉培俊說。（記者 楊潔）