Chiny napotykają nową barierę w rozwoju modeli sztucznej inteligencji

Chińskie firmy technologiczne stoją w obliczu poważnego zagrożenia dla swoich planów rozwoju sztucznej inteligencji. Obok amerykańskich ograniczeń dotyczących dostaw zaawansowanych procesorów kluczowym problemem staje się gwałtowny brak wysokiej jakości danych treningowych w języku chińskim. Światowe zasoby tekstów tworzonych przez ludzi kurczą się w zastraszającym tempie, co zmusza władze w Pekinie do podjęcia natychmiastowych działań.

Epoch AI, będący amerykańskim instytutem badawczym zajmującym się analizą rozwoju sztucznej inteligencji, szacuje obecne tempo zużycia zasobów tekstowych. Z opublikowanych wyliczeń wynika, że światowe zasoby publicznie dostępnego tekstu wysokiej jakości wyczerpią się w ciągu najbliższych sześciu lat. Ostrzeżenia płyną również od praktyków z branży. Andrej Karpathy, współzałożyciel OpenAI, zwraca uwagę na zjawisko tak zwanej ściany danych, która do końca bieżącej dekady może mocno zahamować dalszy przyrost możliwości modeli generatywnych.

Brak świeżych materiałów zmusza największe koncerny z USA do kosztownych oraz niekonwencjonalnych kroków. Amerykańska firma Anthropic, tworząca zaawansowane rozwiązania sztucznej inteligencji i wspierana przez koncern Amazon, uruchomiła projekt o kryptonimie Project Panama. W ramach tego przedsięwzięcia przedsiębiorstwo wydało dziesiątki milionów dolarów na zakup milionów fizycznych książek, które następnie skanowano i niszczono. Działania te wywołały falę krytyki ze strony pisarzy oraz archiwistów, ale według firmy nie kupują oni ani nie niszczą rzadkich, lub mających wartość muzealną książek.

Sytuacja Chin jest jednak znacznie trudniejsza niż podmiotów z kręgu anglosaskiego. Według danych serwisu monitorującego internet W3Techs język angielski odpowiada obecnie za niemal połowę wszystkich treści opublikowanych w sieci. Udział języka chińskiego wynosi zaledwie 1,3%, co stawia go daleko za hiszpańskim osiągającym 6%, niemieckim z wynikiem 5,9% oraz japońskim stanowiącym 5%.

Strategiczna odpowiedź Pekinu i cyfryzacja zasobów

Władze w Pekinie traktują zbiory informacji jako kluczowy zasób państwowy. Narodowa Administracja Danych ogłosiła rozbudowany plan krajowy mający na celu zwiększenie podaży, cyrkulacji oraz komercjalizacji wysokiej jakości materiałów dla sztucznej inteligencji. Do 2028 roku Chiny zamierzają stworzyć kompletny ekosystem sprawdzonych zbiorów danych. Będą one obejmować przemysł, energetykę, ochronę zdrowia, finanse oraz rolnictwo, a także autonomiczne pojazdy i lotnictwo niskiego pułapu.

– Konkurencja w erze sztucznej inteligencji toczy się nie tylko o modele i moc obliczeniową, ale także o systemy dostaw wysokiej jakości danych – powiedział Yu Xiaohui, prezes Państwowej Akademii Technologii Informacyjnych i Komunikacyjnych w Chinach.

Zbiega się to z opiniami przedstawicieli środowiska akademickiego, którzy wzywają do skoordynowanej akcji digitalizacji materiałów analogowych. Eksperci proponują masowe skanowanie archiwów historycznych, lokalnych kronik, dawnych manuskryptów oraz literatury naukowej. Programy mają objąć również słowniki, nagrania audiowizualne i dialekty regionalne.

– Korpusy odgrywają kluczową rolę w rozwoju dużych modeli językowych i stały się podstawowym elementem wspierającym iterację możliwości sztucznej inteligencji. Nie będzie przesadą stwierdzenie, że bez korpusów nie byłoby modeli językowych – zaznaczył Sun Maosong, naukowiec w zakresie informatyki na Uniwersytecie Tsinghua.

Syntetyczne treści i opór wydawców

Uzupełnieniem brakujących zasobów językowych ma być tworzenie danych syntetycznych oraz symulacji komputerowych. Ośrodek analityczny AliResearch, będący zapleczem badawczym grupy Alibaba Group Holding, w opublikowanym raporcie wskazał dane jako główną siłę napędową sztucznej inteligencji. Analitycy zasugerowali pozyskiwanie informacji między innymi z czasopism oraz kodów programistycznych.

Masowe pozyskiwanie materiałów natrafia jednak na wyraźny opór ze strony posiadaczy praw autorskich. Chińskie wydawnictwa zaczynają wprowadzać oficjalne zakazy wykorzystywania ich publikacji do szkolenia algorytmów. Przykładem jest wydawnictwo Huaxia Publishing House, które w najnowszych przekładach klasycznych dzieł taoistycznych umieściło specjalne zastrzeżenie.

– Zabrania się wykorzystywania treści tej książki do szkolenia sztucznej inteligencji. Naruszyciele zostaną pociągnięci do odpowiedzialności prawnej.

Zderzenie potrzeb branży technologicznej z prawami autorskimi pokazuje nową płaszczyznę konfliktu. Choć egzekwowanie takich zakazów w praktyce pozostaje trudne, dobitnie świadczy o rosnącej wartości unikalnych tekstów w erze rozwiniętej cyfryzacji.