构建多元化的人工智能训练数据供给体系
现阶段，人工智能产业发展面临的最突出、最迫切的困境，便是训练数据供给不足。随着网络空间已公开数据资源趋于“消耗殆尽”，人工智能产业愈发需要专业化程度高、领域属性强的高质量数据来提升算法模型性能。因此，建构我国人工智能法治保障体系的一项核心目标，便是形成多元化的训练数据供给体系，以满足不同规模企业的训练数据使用需求，推动算法模型性能朝着专业化方向升级。而构建多元化的人工智能训练数据供给体系是一项系统性工程，只有通过持续拓宽数据采集渠道、扩大数据流动范围、提高数据质量要求，才能为人工智能产业注入源源不断的创新动力，实现高质量发展。
健全多源头数据采集机制，拓展数据广度。在实践中，人工智能企业获取训练数据的方式主要包括网络爬虫抓取已公开数据、使用开源数据集、购买数据产品等。整体而言，数据采集方式较为单一，难以满足相关产业对训练数据质量的基本需求。若想扩展训练数据获取广度，需要在以下两个层面实现数据采集机制的延伸：一是在数据采集行为合法性方面，以类型化列举、监管实践指南等方式明确训练数据来源合法性的常见类型，以消除企业业务合规担忧；二是在数据市场供给形式方面，深入探索公共数据的开放利用模式，降低中小企业获取高质量训练数据的市场门槛，整合数据交易基础制度，拓展可交易数据产品的质量和类型。具体而言，公共服务部门在长期社会公共服务过程中积累了海量高质量数据，但由于数据安全和数据使用收益归属不明等现实因素，此类公共数据面向人工智能产业的开放使用制度还需进一步深入探索。以交通部门为例，实时路况数据不仅可以提供实时交通拥堵情况报告，在人工智能技术加持下，还可以预测性地分析未来时间段交通流量情况、交通事故发生概率等。科研机构也积累了大量专业性较强的科学数据，如医学研究机构的临床病例数据，经由科学化整理和标准化处理，能够在医疗影像诊断、传染病防控等领域发挥重要作用。这些潜在的数据“富矿”，仍有待配套的法律制度予以松绑和深挖，进而形成层次化的数据采集渠道。
建构高质量数据标注机制，挖掘数据深度。对于训练数据，既有数量上的要求，更有质量上的要求。训练数据的精确性、一致性、时效性等技术指标，直接影响着人工智能性能能否提升。以医疗影像识别为例，若是存在训练数据将正常细胞标识为癌变细胞、同一细胞多次标注为不同信息内容等情况，那么这些质量堪忧的训练数据只会“污染”人工智能性能，进而严重危害患者生命健康。国家网信办等七部门2023年发布的《生成式人工智能服务管理暂行办法》也专门要求在人工智能技术研发过程中，服务提供者应当制定符合本法要求的“清晰、具体、可操作的标注规则”。因此，合理科学的数据标注规则是保障训练数据质量和避免算法歧视的重要环节。在数据标注方式上，应当以“人机协作标注”为主要方式。技术研发者和服务提供者虽然可以通过批量自动化处理系统对各类数据资源进行高效批注，但潜在误差标注风险难以有效控制。相对地，采用人工批注模式，除了成本高昂之外，还可能在不经意间渗透标注人员的个人伦理观，产生潜在科技伦理风险。因此，理想的数据标注方式应是人机协作，以此填补上述数据标注方式的短板，提升数据标注结果的准确性、完整性和中立性。
出台数据供给配套政策，畅通数据流动。在财政支持政策方面，不同规模的科技企业获取训练数据的能力并不相同，为了降低人工智能产业的市场门槛，有必要通过设立专项资金、实施税收优惠政策等手段降低中小企业获取高质量训练数据的实际难度。针对在特定领域具有卓越表现的中小企业、科研机构予以专项扶持，特别是涉及先进标注算法、数据整合技术等事项，可以通过专项资金助力企业购置更先进的设备、扩充专业人才队伍。在技术标准体系方面，统一的技术标准是确保训练数据质量、规范数据供给的重要工具。在训练数据采集、标注环节，设置统一的技术标准体系能够有效降低后续数据分析、数据挖掘等环节的研发成本。同时，科学客观的技术标准也能针对科技伦理事项辅助确立更为统一的标注规则。在基础设施平台建设方面，为了缓解各行业、各领域数据流动范围狭窄、流动类型有限等“数据孤岛”现象，需要政府部门推动建设面向训练数据供给的数字基础设施以及公共算法训练平台。通过这些基础设施和公共平台，将涵盖经济、地理、交通等各个领域的数据资源进行汇总，从而有效提高训练数据的总体数量和质量。
现阶段，人工智能产业发展面临的最突出、最迫切的困境，便是训练数据供给不足。随着网络空间已公开数据资源趋于“消耗殆尽”，人工智能产业愈发需要专业化程度高、领域属性强的高质量数据来提升算法模型性能。因此，建构我国人工智能法治保障体系的一项核心目标，便是形成多元化的训练数据供给体系，以满足不同规模企业的训练数据使用需求，推动算法模型性能朝着专业化方向升级。而构建多元化的人工智能训练数据供给体系是一项系统性工程，只有通过持续拓宽数据采集渠道、扩大数据流动范围、提高数据质量要求，才能为人工智能产业注入源源不断的创新动力，实现高质量发展。
健全多源头数据采集机制，拓展数据广度。在实践中，人工智能企业获取训练数据的方式主要包括网络爬虫抓取已公开数据、使用开源数据集、购买数据产品等。整体而言，数据采集方式较为单一，难以满足相关产业对训练数据质量的基本需求。若想扩展训练数据获取广度，需要在以下两个层面实现数据采集机制的延伸：一是在数据采集行为合法性方面，以类型化列举、监管实践指南等方式明确训练数据来源合法性的常见类型，以消除企业业务合规担忧；二是在数据市场供给形式方面，深入探索公共数据的开放利用模式，降低中小企业获取高质量训练数据的市场门槛，整合数据交易基础制度，拓展可交易数据产品的质量和类型。具体而言，公共服务部门在长期社会公共服务过程中积累了海量高质量数据，但由于数据安全和数据使用收益归属不明等现实因素，此类公共数据面向人工智能产业的开放使用制度还需进一步深入探索。以交通部门为例，实时路况数据不仅可以提供实时交通拥堵情况报告，在人工智能技术加持下，还可以预测性地分析未来时间段交通流量情况、交通事故发生概率等。科研机构也积累了大量专业性较强的科学数据，如医学研究机构的临床病例数据，经由科学化整理和标准化处理，能够在医疗影像诊断、传染病防控等领域发挥重要作用。这些潜在的数据“富矿”，仍有待配套的法律制度予以松绑和深挖，进而形成层次化的数据采集渠道。
建构高质量数据标注机制，挖掘数据深度。对于训练数据，既有数量上的要求，更有质量上的要求。训练数据的精确性、一致性、时效性等技术指标，直接影响着人工智能性能能否提升。以医疗影像识别为例，若是存在训练数据将正常细胞标识为癌变细胞、同一细胞多次标注为不同信息内容等情况，那么这些质量堪忧的训练数据只会“污染”人工智能性能，进而严重危害患者生命健康。国家网信办等七部门2023年发布的《生成式人工智能服务管理暂行办法》也专门要求在人工智能技术研发过程中，服务提供者应当制定符合本法要求的“清晰、具体、可操作的标注规则”。因此，合理科学的数据标注规则是保障训练数据质量和避免算法歧视的重要环节。在数据标注方式上，应当以“人机协作标注”为主要方式。技术研发者和服务提供者虽然可以通过批量自动化处理系统对各类数据资源进行高效批注，但潜在误差标注风险难以有效控制。相对地，采用人工批注模式，除了成本高昂之外，还可能在不经意间渗透标注人员的个人伦理观，产生潜在科技伦理风险。因此，理想的数据标注方式应是人机协作，以此填补上述数据标注方式的短板，提升数据标注结果的准确性、完整性和中立性。