數據量超過700萬億字節的通用數據集和4.33萬億字節的行業數據集，在同一個平臺匯聚。6月14日，北京人工智能數據運營平臺在2024北京智源大會上發布，“行業數據集-場景應用創新計劃”也同步啟動。北京智源人工智能研究院理事長、北京大學教授黃鐵軍表示，構建大模型生態首先要建立數據流通機制，推動從數據到智能的正反饋。

匯聚數據超700 萬億字節

“如果沒有開源數據集，很難想象過去十幾年，人工智能怎樣才能實現如此快速的迭代。然而，這些數據集還遠遠不夠。”智源研究院副院長兼總工程師林詠華坦言，特別是中文互聯網的數據量相差甚遠，“數據孤島”問題也較為嚴重。

本次發布的北京人工智能數據運營平臺，匯聚了大量通用數據、行業數據，支持文本、圖像、視頻等多種模態，并打造了全流程的數據處理工具。超過700萬億字節的通用數據集可以開展通用模型訓練，同時，4.33萬億字節的行業垂類數據對模型訓練也極為重要。

當前已知的全球開源行業文本類數據集總量僅約1.2萬億字節。“這次開源的行業數據集，幾乎每一項都遠超全球已經開源的該行業數據集總和，是全球最大的多行業中英雙語數據集。”林詠華說，目前數據集包含醫療、教育、法律、新聞等18類行業數據，未來將進一步擴展到30類左右。

針對不同數據特點，平臺明確了3種數據使用方式。一批公開領域采集的數據集將開源開放，用戶可以免費下載；有意向互換高質量數據集的主體，可以參與構建數據池，合作共建、共享數據集；高價值數據集則通過數算一體模式，確保模型在加工、訓練過程中，數據不出安全域，保障數據安全。

挑戰多模態模型新路線

“智源研究院在2021年就發布了悟道1.0和2.0大模型，當年創造了‘中國首個’‘全球最大’等一系列紀錄?？梢哉f，智源與大模型有著緊密的關聯。”智源研究院院長王仲遠表示，隨著大模型的發展，人工智能逐步進入通用人工智能時代，該院目前正在訓練的原生多模態世界模型Emu3，再次瞄準了行業內最有挑戰性的一條技術路線。

當前，文生圖、圖生文、文生視頻等模型都有各自對應的架構和方法，很難兼容不同任務。例如文生視頻模型Sora，就無法做到對圖像和視頻的理解。“Emu3從設計之初就瞄準了多模態融合，其生成和理解能力也得到統一，還具備更多模態的可擴展性。”王仲遠說，基于智源研究院自研的多模態自回歸技術路徑，圖像、視頻、文字等模態可以進行聯合訓練。

這一模式，讓該模型不僅能閱讀文字，還擁有“讀圖”“看視頻”的能力。上傳一段視頻，模型能快速識別出，視頻內的男人給人以幸福、興奮的感覺。“如果這條路線實現突破，又將是對人工智能產業的一次重大技術貢獻。”王仲遠說，目前，該模型已具備生成高質量圖片和視頻、續寫視頻、理解物理世界等多模態能力，但中間還存在不盡完美之處。待持續訓練并經過安全評估后，Emu3將逐步開源。

世界級研究成果接連產出

具身智能技術的發展，推動人工智能從數字世界走入物理世界。在大會展廳中，經過通用抓取模型訓練，機器人對任意形狀、反光透明等物體都能有效抓取，在工業級真機上實現超過95%的抓取成功率，實現全球領先的商業級動作執行水平。機器人還擁有對開放指令的思考能力，當測試人員提出“我餓了”，機器人在桌面擺放的10多種物品中，發現了可以食用的橘子和香蕉。“橘子和香蕉您要哪個？”機器人追問。得到需要橘子的答案后，它抓起橘子放入筐里。

機械臂搭載探頭在被檢測者的胸部往復移動，心臟跳動的畫面就在床旁的顯示屏上呈現出來。王仲遠介紹，智源研究院與清華大學、301醫院合作研發的全球首創智能心臟超聲機器人，能在高速動態環境下快速計算提取心臟特征。臨床驗證結果顯示，它檢測的準確性、高效性與人類醫生基本持平，但穩定性和舒適性顯著高于人類醫生，對提升超聲醫療的普及度有重要意義。

全球首個低碳單體稠密萬億語言模型推出，全球首個實時孿生心臟計算模型構建，全原子生物分子模型達世界領先……王仲遠介紹，過去的1年里，智源研究院在多模態大模型、具身大模型和生物計算大模型等方向發力，已取得了多個世界級成果。未來幾年內，該院還將圍繞這些方向持續研發。