科技行业：AI大模型需要什么样的数据-230511（44页）.pdf

《科技行业：AI大模型需要什么样的数据-230511（44页）.pdf》由会员分享，可在线阅读，更多相关《科技行业：AI大模型需要什么样的数据-230511（44页）.pdf（44页珍藏版）》请在三个皮匠报告上搜索。

1、 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。1 证券研究报告 科技科技 AI 大模型需要什么样的数据大模型需要什么样的数据 华泰研究华泰研究 电子电子 增持增持 (维持维持)通信通信 增持增持 (维持维持)研究员 黄乐平，黄乐平，PhD SAC No.S0570521050001 SFC No.AUZ066 +(852)3658 6000 研究员 余熠余熠 SAC No.S0570520090002 SFC No.BNC535 +(86)755 8249 2388 联系人 权鹤阳权鹤阳 SAC No.S0570122070045 +(86)21 2897 2228 联系人 王

2、珂王珂 SAC No.S0570122080148 +(86)21 2897 2228 行业行业走势图走势图 资料来源：Wind，华泰研究 2023 年 5 月 11 日中国内地 专题研究专题研究 数据是大模型竞争关键要素之一，关注中国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

3、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、

4、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。中文开源数据集中文开源数据集数量少、规模小数量少、规模小，看好数字中国战略激活数据要素产业链，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

5、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：关注数据生产数据产业链投资机会：关注数据生产与处理环节与处理环节 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、

6、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）