“大力出奇迹”、”暴力美学”，这两个词汇已成为ChatGPT讨论中的高频词。其中”大力”和”暴力”不仅指代巨大的算力，更蕴含着海量数据的支撑。a16z创始人Marc Andreessen在Data+AI大会上强调，二十多年来互联网积累的海量数据，是新一轮AI浪潮兴起的关键驱动力，为AI发展提供了宝贵的训练素材。据OpenAI披露，GPT-3.5的文本语料库高达45TB，相当于472万套中国四大名著，而GPT-4在原有基础上又融入了多模态数据。7月18日，Facebook母公司Meta开源了首个可商用的大语言模型Llama2，其预训练数据规模达到2万亿token。获取海量高质量数据的能力，正成为未来大模型企业的核心竞争力，也是各大科技巨头AI军备竞赛的必争之地。数据作为关键生产要素，其价值日益凸显。《数字中国发展报告（2022年）》显示，我国2022年数据产量达8.1ZB，全球占比10.5%，位居世界第二，数字经济呈现领先优势。然而，作为全新生产要素的数据也带来了诸多挑战：如何界定数据权属？如何确权？如何挖掘数据价值？数据能否实现交易流通？能否计入企业财务报表？如何保障数据安全？为解答这些问题，我们对话了北京邮电大学科学技术研究院副院长曾雪云教授，以下为对话实录：
腾讯科技：普通人可能关心，大模型训练的数据从何而来？是否使用了个人数据？这些数据是否有确权问题？
曾雪云教授：大模型训练涉及的数据属于个人数据范畴。个人数据与企业数据存在权属差异，原则上应遵循”我的数据我做主”原则。例如社交软件生成的数据，理论上应由用户掌控，尽管这些平台通过默认授权方式实际控制了数据，但具体使用仍需受《个人信息保护法》约束。若用于大模型计算，需进行技术隐名化处理，并赋予市场主体合法经营权利，即找到数据的市场化归属主体。当市场化主体获得数据后，需投入人力、智力、资本进行加工，将个人数据转化为企业再生数据或次生数据，再通过产品化流程转化为企业数据产品和服务。这是一个完整的转化过程。
腾讯科技：能否理解为，互联网公司通过授权获取个人数据，经流程化处理即可形成企业数据资产？
曾雪云教授：可以如此理解。个人在互联网上产生的海量数据，类似于自然资源的多样性。这些数据虽属公共资源，但经开发利用可转化为企业资产，这种转化值得鼓励。数据要素的价值开发需要平衡公共属性与企业权益，在法律框架内实现创新利用。
腾讯科技：从个体角度如何保护个人数据，使其按预期流动？
曾雪云教授：在AI时代，隐私保护面临严峻挑战。人们的行为轨迹、生活起居等都被记录，一旦数据泄露，个人隐私将难以控制。各国已探索商业化解决方案，如日本的”数据银行”模式，用户可像存取款一样管理个人数据，既保障隐私又实现价值变现。对于不愿授权的个人，国家需强化数据保护立法，通过区块链技术追踪数据流转轨迹，建立数据血缘关系管理系统。我国《民法典》已对个人信息保护作出明确规定，并强调数据财产属性。《上海市数据条例》则体现了”人财两分”的权益配置模式。2021年施行的《个人信息保护法》更是将个人信息保护提升至司法保护高度。
腾讯科技：大模型训练所需的高质量数据具体指哪些类型？
曾雪云教授：数据应涵盖人类经济、社会、生产等各领域活动记录。原生数据质量参差不齐，如上市公司财务报表属于高质量结构化数据，而互联网生成数据多为非结构化原始数据，需经清洗加工才能转化为可用数据。高质量数据通常经历从非结构化到结构化的转化过程。
腾讯科技：既然高质量数据可不断生产，为何会出现”数据快用完”的说法？
曾雪云教授：问题在于数据生产加工能力滞后于需求增长。数据爆发式增长，但转化为高质量数据的能力不足。OpenAI的GPT-4采用前代模型数据训练，其创始人指出合成数据是解决数据短缺的有效途径，关键在于建立AI生成数据的筛选机制，并持续根据模型效果进行反馈。数据产品技术能力已成为企业核心竞争力之一。
腾讯科技：提升高质量数据生产力需要哪些产业设计环节？
曾雪云教授：首先需明确数据本质与需求场景，即理解数据用途与市场定位。从原始数据到需求端，需构建完整的数据生产加工链条。目前产业整体思考仍显不足，但这也意味着广阔的发展空间。
腾讯科技：产业不成熟是否意味着蓝海市场？
曾雪云教授：确实处于早期蓝海阶段。早期存在违规数据交易现象，但国家立法已禁止原始数据交易。《数据二十条》提出数据权属分置要求，将所有权、经营权、受益权分离，并实施分层分类管理。数据治理进入以经济学为基础的研究阶段，数据市场建设、数据要素流通等均处于探索初期。
腾讯科技：数据可作为企业资产吗？属于哪类资产？
曾雪云教授：数据资产具有特殊性。国际会计分类将其归为存货资产，因其涉及生产加工过程，且作为电子化有形资产占用物理空间。数据资产价值核算更具不确定性，部分数据具有可生长性、可融合性，如通话数据与金融数据融合可生成更丰富用户画像；部分数据则随时间衰减。数据资产价值需根据具体类型分析，其核算过程比固定资产更复杂。
腾讯科技：数据是否将成为AI企业核心竞争力？能否量化体现在企业估值中？
曾雪云教授：数据是AI企业的核心要素，产品体验依赖数据能力，国家竞争力也取决于数据治理水平。目前全球数据治理仍面临挑战，中国已意识到数据重要性，但数据估值、会计核算等问题尚未解决。若数据能进入表内资产，将推动数据治理、价值核算与交易发展。当前企业数据仍属表外资产，缺乏合理估值基础，数据入表成为关键突破点。
腾讯科技：国际数据产权立法有哪些先例？
曾雪云教授：全球主要国家已建立数据保护法案，但数据利用法规相对缺失。日本《数据使用权限合同指引》为数据交易提供了规范框架。我国重视数据要素流通，但主要依靠行政文件，立法仍需完善。当前亟需创新数据产权规制与要素流通机制，引领全球法规建设新方向。欧盟GDPR是最全面的数据隐私法，但未明确数据权属流转规则。美国各州立法不统一，但覆盖领域广泛。数据财产权制度构建需坚持”人财两分”原则。
本文为专栏作者授权微新创想发表，版权归原作者所有。文章系作者个人观点，不代表微新创想立场，转载请联系原作者。如有任何疑问，请联系http://www.idea2003.com/。
