在打造下一代人工智能（AI）模型的高风险竞赛中，中国正进入一个关键新阶段。一个较不显眼，但远远更具存亡意义的威胁正逐渐浮现，那就是高品质训练数据严重短缺。
尽管美国封锁先进运算芯片占据了新闻头条，但中方AI专家却日益警告，事实恐怕会证明，优质数据枯竭，可能成为国家科技雄心的下一个主要瓶颈，而这可能是无法轻易靠硬件替代方案来解决的问题。
事实上，《南华早报》8月8日报导，这挑战正同时冲击太平洋两岸的AI巨头，而部分美国企业已采取积极手段，以保持领先。美国研究机构Epoch AI说，全球高品质、公开可用的人类生成文本供应，可能会在未来6年内耗尽。而OpenAI共同创办人卡帕西（Andrej Karpathy）也警告，2030年结束前，将出现「数据墙」，若没有新鲜可靠的信息喂养，模型能力可能陷入停滞。
美国顶尖实验室正大手笔投资，挖掘线下的人类知识，引发了激烈的伦理争论。今年一月《华盛顿邮报》报导的法庭文件显示，Anthropic在亚马逊公司支持下，启动「巴拿马计划」（Project Panama），斥资数千万美元，收购了数百万本实体书，拆除装订、扫描每一页后，再加以丢弃。
相关揭露引发作家、档案管理员与文化资产保存者的强烈谴责，他们指控科技公司把人类遗产当成可抛弃的原料。Anthropic一名代表本月稍早告诉事实查核网Snopes：「我们的数据获取计划从未购买并销毁『希有』或『古董』书。」
另一方面，对中国来说，即将到来的「数据墙」构成了独特威胁。中国信息通信研究院院长余晓晖便指出：「人工智能创新的竞争，不仅是模型和算力的竞争，更是高质量数据供给体系的竞争。」而网络追踪机构W3Techs本月的数据显示，英文占全球网络内容近一半，中文却仅占1.3%，远远落后西班牙文的6%、德文的5.9%与日文的5%。
北京正积极将数据视为核心战略资产。国家数据局6月公布一项全面的全国性计划，目标是提升高品质AI训练数据的供应、流通与商业化。中方电脑科学家说，国家不能只依赖标准网络爬取，而必须系统性推动数位化庞大、尚未开发的离线资产。中方电脑科学家说，国家不能只依赖标准网络爬取，而必须系统性推动数位化庞大、尚未开发的离线资产。清华大学人工智能研究院常务副院长孙茂松上个月在《光明日报》撰文指出：「语料库在大语言模型发展中扮演关键角色，已演变成支撑AI能力迭代的核心要素。」他并强调，没有语料库，就没有语言大模型。
