大语言模型是人工智能的一个落地应用方向，基础逻辑就是模拟类人神经网络，当训练数据达到一定规模时，会产生不可思议的效果，路阳就知道Chatgpt的训练数据就是1750亿才开始爆发，有了质的变化。

这个过程还需要人类来做干预训练，让模型能给出更加接近的正确答案。

不过，对于中文数据来说，最大的问题还是数据质量。

数据质量越高，模型的训练结果越好，而华文数据质量，路阳只能苦笑着摇摇头。

巅峰时期的华国互联网，优质网站数量接近千万级，而到了2019年，这个数量降到了400万，曾经的四大论坛，天涯、猫扑、微博、贴吧，天涯半死不活，猫扑消失殆尽，至于微博，娱乐文化仍占主流，直到华芯的崛起，才让科技板块逐渐有了起色。

至于贴吧，男科不孕不育了解下！

唯一还在苦苦支撑的就只剩下知乎一支独苗，然而在大浪潮的侵袭下，90%以上的数据变成了打拳、键证、润学，水军、自媒体、营销号、饭圈总是喜欢为了点鸡毛蒜皮的事吵得天翻地覆，可谓是垃圾场里建游泳池，不似粪坑胜似粪坑。

当然，国外的互联网也不见得好到哪里去，但他们的体量庞大。

路阳最近还让人帮做了个统计，假设中文文本数据10亿条，高质量数据占比1%，英文文本数据20亿条，高质量数据占比5%，过滤后，可用于AI训练的中文数据只有1千万条，而英文有1亿条。

这个量级的差距，就算路阳占得先机，最后训练出来的结果也无法超越英文文本训练的人工智能。

实际上，英文互联网比华国要早几十年，真正的差距只会更大。

如果不过滤，那华国的数据肯定是足够的，但成长于充满广告、饭圈、矛盾争吵的数据环境中，路阳无法想象最终训练出来的模型会是什么样扭曲怪物。

中文数据还有另外一个大问题，那就是数据孤岛，国内的大厂从融资、估值到上市，都需要用户数据来讲故事，所以大量的数据被封闭在各大厂与平台中。

千度、阿里、企鹅都直接或间接的屏蔽了各自爬虫，即便有开源模型，数据也不会对外开放。

“提高华国互联网的优质数据，这方面已经提前在布局，而要解决数据孤岛问题，就得依靠国家的力量。”

路阳在心中思索着，电子科技大这边的行程，就是为了解决数据问题，华芯数据中心建成在即，需要大量高质量数据做填充，于是他计划与电子科技大这边合作，打造华国最大的知识分享社区。

硬件GPU部分，摩尔10月下旬即将发布首款自研专业级GPU，软件就得依靠这个平台。

应若涵的执行力是路阳最为佩服的，不到三天时间，来自华国前三的超导研究团队的专家进驻华芯二院，配合施小云设计零度控制系统。

“人都到了，按施教授的计划，这个系统需要两周才能完成。”

“半个月吗？那正好可以处理电子科技大的事？”

旋即路阳把平台的思路给应若涵做了个大概的介绍。