科技日报记者 陆成宽
7月17日，在2026世界人工智能大会上，中国科学院“敖仓·科技语料库”正式发布。该语料库由中国科学院文献情报中心牵头，联合国内科学数据、科技文献领域近百家单位共同建设，是我国夯实人工智能数据基座的突破性成果。
“敖仓”之名，源于秦代的国家粮仓。建设科技语料“粮仓”，旨在为人工智能赋能科学研究提供高质量语料支撑。“中国科学院率先行动，主动作为，牵头建设敖仓·科技语料库，体现了国家战略科技力量主力军服务国家重大战略需求、引领全球科研范式变革的使命担当。”中国科学院文献情报中心主任曲建升说。
当前，人工智能赋能科学研究正加速各领域科技创新突破，而这一进程高度依赖于科技语料的有效供给。科技语料是对多模态科学数据与科技文献进行清洗整编、解构重组、关联融合后形成的高价值智能就绪数据。
由于数据模态多、知识密度大、质量要求高、加工治理难，科技语料已成为全球主要国家高度重视的战略性稀缺资源。建设国家级科技语料库，对于突破语料供给瓶颈、保障科技创新自主可控具有战略意义。
建设国家级科技语料库，需要强大的体系化能力支撑。中国科学院的建制化优势，恰好为此提供了扎实基础。中国科学院拥有国内最大的科学数据产出与储备体系、最全的科技文献资源保障体系，以及覆盖全学科的专业化语料加工力量。目前，敖仓数据来源覆盖超320PB（拍字节）科学数据、1.5亿篇科技论文、1.2亿件发明专利和500万本科技图书，涵盖文本、图像、图表、公式、影像、化学式、波、谱、场等多种形态。
科技语料库不是数据的简单堆砌，而是一项体系性极强、专业度极高的系统工程。敖仓构建了“1+7+N”总分库模式，即1个全学科数据知识融合的国家级总库、7个专业化深度提炼的领域分库、N个场景化关联的应用子库，通过建设科技语料描述、加工、评价、服务及运维的全流程标准，形成覆盖数学物理、化学化工、天文空间、地球科学、生命科学、前沿技术、产业创新等全学科的内容就绪、计算就绪、可信就绪供给体系。
“我们创造性地提出基础语料、特征语料、知识语料三阶知识精炼模式，大幅提升语义密度和知识密度。”曲建升介绍，敖仓中高知识含量、高语义密度的语料，可以补齐大模型领域知识短板、校准逻辑推理偏差，使其输出符合科学基本规律与数理逻辑，具备领域专业知识与长程思考能力。
从技术架构看，敖仓打造了从基础层、加工层、服务层到应用层的四层逻辑体系，构建了通专结合的加工工具链、质量测评与安全流通服务、五大加工与服务平台，打通了资源供给、加工生产、质量控制、安全流通、共享服务全链路，实现了从原始数据到智能就绪语料的高效转化。第一阶段，敖仓的目标是汇聚不少于360亿语料、2883个语料集以及68PB存储的多模态科技语料。
“语料库的价值体现在共建共享、有机生长。”曲建升表示，敖仓从设计之初便立足于可持续化运营，赋能科学研究和产业发展。
秉承“场景驱动、边建边用”理念，敖仓已在多个领域初见成效。在科学发现方面，相关语料已多批次供给磐石科学基础大模型，助力科学推理能力显著提升，并支撑智能化工大模型等多领域学科模型取得进展；在智能应用方面，敖仓已启动对豆包、千问等通用大模型及科大讯飞等领域应用大模型的语料供给，开始为蚂蚁医疗大模型提供支撑服务；在产业创新方面，敖仓正针对商业航天、低空经济、智能制造、生物医药等领域开展语料加工，下一步将支撑元器件选型、超微病理诊断、高速列车外形设计等百余个行业应用。
曲建升表示，敖仓将建设国家级科技语料生态体系，坚持“共建、共享、共用”原则，探索公益与商业结合的运营模式，培育科技语料繁荣创新生态，赋能新质生产力跨越发展，为我国乃至全球科技创新与智能经济发展贡献力量。
网友评论
