據(jù)中國民族博覽訊：作為世界唯一延續(xù)幾千年的中華文化，稱其浩若煙海，絕非妄言。為什么認定其難承其重？2024年5月24日，第七屆數(shù)字中國峰會期間，阿里研究院正式發(fā)布的《大模型訓(xùn)練數(shù)據(jù)白皮書》（以下簡稱《白皮書》）顯示，互聯(lián)網(wǎng)上中文語料與英文語料占比極為懸殊：英文高達59.8%，而中文僅占1.3%。雖然這個比重是中英文語料對比，是僅就網(wǎng)絡(luò)資源而言，而不是整個文化資源的對比，但問題在于，決定哪種文化可以成為新時代的主導(dǎo)文化，不是看其資源總量，而是看其適用資源在文化傳播的主流形態(tài)——互聯(lián)網(wǎng)上能否處于主導(dǎo)地位。

時過境遷：新時代對文化資源判斷有了新標(biāo)準(zhǔn)。阿里研究院這個《白皮書》，由阿里研究院牽頭，聯(lián)合阿里巴巴集團、數(shù)字中國研究院（福建）及阿里云智能集團共同編寫，旨在深入分析大模型訓(xùn)練數(shù)據(jù)的核心問題，并對中英文語料資源的現(xiàn)狀與挑戰(zhàn)提出了關(guān)鍵見解。其顯示的中英文語料極為懸殊的占比，反映了中文語料在互聯(lián)網(wǎng)生態(tài)中的結(jié)構(gòu)性短缺，對AI發(fā)展的深層影響極大。白皮書強調(diào)，語料短缺不僅是“量”的問題，更涉及“質(zhì)”與價值觀層面。文言文、傳統(tǒng)文化內(nèi)容、本土主流媒體文本等反映中式價值觀的語料嚴重匱乏。這類語料無法通過機器翻譯彌補，其短缺可能成為制約中國大模型本土化發(fā)展的核心短板。同時，因中文開源數(shù)據(jù)集僅占英文的11%，必然導(dǎo)致國產(chǎn)大模型對英文開源語料的依賴，極易出現(xiàn)文化適配性問題，產(chǎn)生模型“西化思維”風(fēng)險。例如，文生圖模型可能優(yōu)先生成西方人物形象，或難以理解中式語境下的價值觀表達。

博大精深的中華文化何以陷入如此境地？根本原因在于時代變了，我們沒能及時跟上這個變化?；蛘哒f，只顧得享受新時代帶來的各種神奇而忽略了本該努力的進取。

30年前，這是一個普通人想都不敢想的時代。1997年我國全功能接入國際互聯(lián)網(wǎng)，不到30年，我國互聯(lián)網(wǎng)實現(xiàn)了從無到有、從小到大、從大到強的跨越式發(fā)展，建成了全球規(guī)模最大、技術(shù)領(lǐng)先的互聯(lián)網(wǎng)基礎(chǔ)設(shè)施，構(gòu)建起全球最大的網(wǎng)絡(luò)零售市場和網(wǎng)民群體。據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心第55次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》稱：中國網(wǎng)民規(guī)模從1997年的62萬人增長至2024年的11.08億人，互聯(lián)網(wǎng)普及率升至78.6%。

使用手機的人群規(guī)模更為龐大，移動互聯(lián)網(wǎng)已成為人們生活中不可或缺的重要部分。據(jù)了解，當(dāng)前中國手機用戶注冊號碼總數(shù)達18億個，全國移動互聯(lián)網(wǎng)月活躍用戶規(guī)模已達到驚人的12.62億人；用戶的月人均使用時長達到178.9小時。這些數(shù)據(jù)不僅顯示了用戶數(shù)量的持續(xù)增長，更反映了人們對移動互聯(lián)網(wǎng)依賴程度的加深。同時，微信小程序的月活躍用戶量也在不斷擴大，達到了9.46億。特別是在生活服務(wù)和金融理財?shù)阮I(lǐng)域，小程序用戶規(guī)模領(lǐng)先，而移動視頻類小程序的同比增速更是高達114.8%。

這是一個以信息為核心資源、以網(wǎng)絡(luò)為基礎(chǔ)連接、以數(shù)字技術(shù)為驅(qū)動力的時代，網(wǎng)絡(luò)已經(jīng)成為當(dāng)前人們文化傳播、獲取知識、發(fā)明創(chuàng)造的主要憑借，對于文化交流有著自己特有的“適用”要求?；ヂ?lián)網(wǎng)的全球化，使各個國家的網(wǎng)絡(luò)資源狀況直接與話語權(quán)掛上了鉤。

阿里研究院的《白皮書》做中英文對比時，沒有用字詞數(shù)、卷冊數(shù)，而是用了“語料”一詞。所謂語料庫是經(jīng)過深度加工和信息標(biāo)注的特定類型的結(jié)構(gòu)化文本數(shù)據(jù)。也就是說，一種民族文化話語權(quán)或影響力，只能取決于網(wǎng)上結(jié)構(gòu)化文本數(shù)據(jù)狀況，如是否適用、質(zhì)量優(yōu)劣，占比大小等等，除此別無選擇。

按照這個標(biāo)準(zhǔn)，當(dāng)前中華文化資源狀況大體可以分為如下幾種：一是基本情況尚需進一步考證，其形態(tài)仍為原始狀態(tài)的文物資源。二是尚未?？?、標(biāo)點、注釋的歷史文獻典籍，一般讀者難以閱讀。這部分典籍約占我國現(xiàn)存古籍的80%。三是當(dāng)代整理版本。新中國成立后，黨和國家對文化典籍整理及其當(dāng)代價值的發(fā)掘取得了豐碩成果。文學(xué)、語言文字、文化藝術(shù)、歷史、地理、哲學(xué)、宗教、科學(xué)技術(shù)等領(lǐng)域重要古籍皆有系統(tǒng)整理，總計已達4.5萬種。特別是歷經(jīng)近30年完成的中華古籍大型系列類書《中華大典》，收入兩萬多種古籍，共約8億多字，號稱可以和《永樂大典》相媲美的中國古典文化集成。然而，這套典籍體例有利于使用，但出版后并未用于大眾化普及，國人知之者甚少。四是實現(xiàn)了數(shù)字化的版本。我國現(xiàn)存古籍中真正實現(xiàn)文本數(shù)字化的約為20%。其中完成語義標(biāo)注的僅12%。五是按照信息時代要求進行主題化重構(gòu)的文獻典籍。由于進行這項工作的極少，其占比尚無法計算。

這五種情況，第一、第二種情況當(dāng)前只能作為潛在資源存在，短時間尚無法進入互聯(lián)網(wǎng)絡(luò)；第三和第四種情況的絕大部分為待用資源，最接近成為適用資源；第四種情況中的完成語義標(biāo)注部分和第五種情況隨時可以進入互聯(lián)網(wǎng)絡(luò)，成為適用資源，但其數(shù)量微乎其微。

落后原因：傳統(tǒng)結(jié)構(gòu)與現(xiàn)代需求的錯位。中華文化有著獨特的哲學(xué)思想、倫理體系、美學(xué)精神與實踐智慧，是一個完整的文化體系，歷經(jīng)數(shù)千年的流傳，一直都是按照“大而全”“小而全”的體例編排。即使那些按類別進行編排的大型類書，也不過是按類別進行了重組，整體上仍然保持了它體系的完整性。然而，到了信息時代，這些傳統(tǒng)無法適應(yīng)時代的變化，以至成了我國互聯(lián)網(wǎng)資源落后的主要原因。

其一，傳統(tǒng)結(jié)構(gòu)不能適應(yīng)讀者群體與閱讀習(xí)慣的變化。經(jīng)過幾十年的發(fā)展，我國讀者群體與閱讀習(xí)慣發(fā)生了巨大變化：我國社會文化形態(tài)正快速由“精英文化”向“大眾文化”過渡，受眾主體是普羅大眾，不再局限于精英階層。他們對文化資源的要求主要體現(xiàn)為精要化、主題化、信息化。精要化指人們學(xué)習(xí)的主要體裁不再是全書、全文，而是被獨立出來、便于學(xué)習(xí)、引用的文化精要；主題化指查閱有路標(biāo)，可以根據(jù)自己的需要查到批量化資源，以利比較、選用；信息化指這些資源通過計算機以及互聯(lián)網(wǎng)進行檢索獲取。

然而，這種結(jié)構(gòu)的鴻篇巨制和各種文集，無法滿足讀者的個性需求。如《全唐詩》《全宋詞》，除皇家詩外，都是依作者出生先后編排，讀者不僅不能直接挑選購買自己需要的內(nèi)容，要買就必須買全套；而且即使買了全套，也很難找到某個主題或類別的詩詞。這種“買1帶N”的服務(wù)，既大量耗費資金，又枉占諸多空間。對普通民眾來說，都是難以接受的。

其二，傳統(tǒng)結(jié)構(gòu)與信息時代文化傳播主渠道對接難?；ヂ?lián)網(wǎng)有自己的底層運算規(guī)則。無論何種文化，要成為互聯(lián)網(wǎng)適用資源，就必須將其“拆解”成一個個小單元，成為語料或標(biāo)注為數(shù)據(jù)，而這既是我們優(yōu)勢之所在，同時又是造成我們網(wǎng)絡(luò)資源貧乏的深層原因。我們的文獻典籍中含有無可勝數(shù)的成語、典故、名言、觀點、事例，是無以倫比的優(yōu)質(zhì)資源。遺憾的是，由于它們湮沒于大量的敘述或論證之中，無法作為獨立元素單元而為計算機識別，更不可能擁有類別框架體系做支撐，網(wǎng)絡(luò)無法按圖索驥。所以，如果不按照網(wǎng)絡(luò)要求進行轉(zhuǎn)化，就等同于自我封閉于新時代主流傳播渠道之外。

當(dāng)前，在網(wǎng)絡(luò)查找文化資源的主要途徑莫過于關(guān)鍵詞搜索和主題詞檢索了。但前者的搜索結(jié)果大量重復(fù)、似是而非、誤人子弟；后者則過于學(xué)術(shù)化，非專業(yè)人士一時難以掌握。二者的共同缺陷是無法解決各類文化資源的深層次、批量化、精確化需求。以人們常用的關(guān)于春夏秋冬和節(jié)日節(jié)氣的古詩詞為例?！吨腥A詩典?歲時》收有40860首，但網(wǎng)絡(luò)搜索最多能查到160首！而DeepSeek兩次同題查詢，結(jié)果都是8首。根本原因就在于，經(jīng)過這種轉(zhuǎn)化的文化資源在互聯(lián)網(wǎng)上少之又少。

這種轉(zhuǎn)化會不會毀掉原有結(jié)構(gòu)的完整性？這取決于轉(zhuǎn)化方式是簡單的數(shù)據(jù)標(biāo)注，還是主題化重構(gòu)。如果是前者，這個可能性是有的；如果是后者，不僅可以避免，而且還可以使中華文化的完整性得到進一步提升。因為傳統(tǒng)編纂體例體現(xiàn)的完整性是單個對事物認識的過程性完整，而主題化重構(gòu)則是通過解構(gòu)、重構(gòu)，最終在更高層面形成精華集中的主題完整。這也是本文始終強調(diào)主題化重構(gòu)、而非一般性數(shù)據(jù)標(biāo)注的原因。

其三，文化數(shù)據(jù)標(biāo)注被冷落，中國人工智能不平衡的“數(shù)據(jù)糧倉”。為了給人工智能提供信息支撐，2024年國家發(fā)改委等四部門發(fā)布《關(guān)于促進數(shù)據(jù)標(biāo)注產(chǎn)業(yè)高質(zhì)量發(fā)展的實施意見》，使數(shù)據(jù)標(biāo)注產(chǎn)業(yè)得到迅速發(fā)展。人工智能的基礎(chǔ)是高質(zhì)量的數(shù)據(jù)支撐。但在諸多行業(yè)數(shù)據(jù)中，只有系統(tǒng)的文化數(shù)據(jù)具有普適性，是整個人工智能的基礎(chǔ)與靈魂。遺憾的是，在國家層面上，7個國家級數(shù)據(jù)標(biāo)注基地的設(shè)立，要推動的重點領(lǐng)域，都集中在工業(yè)、金融、醫(yī)療、交通、教育等行業(yè)，獨缺具有公共價值的中華文化系統(tǒng)性標(biāo)注。

質(zhì)差量少：“國家隊”長期缺席結(jié)苦果。作為最新一代的技術(shù)革命，互聯(lián)網(wǎng)一誕生就顯示了極強的生命力。但是，我國當(dāng)時正處于國退民進的“改革”初期，積極投身其中的多為非體制內(nèi)的科技人員和民營企業(yè)，他們的資源貢獻多呈自發(fā)、零散狀態(tài)，而代表國家最高水平的“國家隊”則長期缺席。這就構(gòu)成了中國互聯(lián)網(wǎng)布局碎片化、信息非權(quán)威等“自由港”特征。這個模式下，大家免費提供信息共享共用。雖然不能解決根本問題，但也能滿足大多數(shù)人的低級需求。由于制作成本的原因，人們更愿意選擇發(fā)布那些主要靠標(biāo)題吸引眼球的粗制濫造的內(nèi)容，而不愿下功夫精挑細選、精心打磨。這種集貿(mào)市場式的運營方式，只能是“流量為王”。長此下去，也必然導(dǎo)致中華文化典籍?dāng)?shù)量少、質(zhì)量差，低級低俗內(nèi)容泛濫，龐雜無用信息過載，使人們面對良莠莫辨的海量信息陷入迷茫。以常在網(wǎng)上的《二十四史》電子版《晉書》為例，我們團隊在核校時發(fā)現(xiàn)，其紀(jì)傳部分6350個段落中，分段錯誤就有1460處之多！

作者簡介：劉占鋒，著名文化學(xué)者，中華文化主題化重構(gòu)首創(chuàng)者、執(zhí)行總編纂。河南大學(xué)黃河文明與可持續(xù)發(fā)展研究中心研究員，中國作家協(xié)會會員。曾受聘于《人民日報》理論部特約高級編輯、河南大學(xué)新聞編輯出版研究所特邀研究員。1999年評為中國書業(yè)網(wǎng)絡(luò)十大風(fēng)云人物。其編著（主編）的《中華語匯通檢》（《中國成語通檢》、《中國名言通檢》、《中國名詩句通檢》、《中國辭賦詞曲名句通檢》），結(jié)束了我國大型語文工具書沒有任意字檢索的歷史，人民日報稱其“為亟待規(guī)范的辭書出版提供了范例”。季羨林、張岱年、郭預(yù)衡等著名學(xué)者贊其“功德無量”。2002年獲河南省優(yōu)秀社科成果一等獎。2023年以來，與著名學(xué)者趙德潤、王錦貴、郝振省、李巖共同作為總編纂，先后編寫出版了國內(nèi)第一部大型類編詩詞典籍《中華詩典》之黃河（5卷18冊）、歲時（30卷100冊），為新時代修典做出貢獻。北大、北師大三次舉辦座談會，充分肯定其團隊的卓越貢獻。

【中國警事網(wǎng)：周雪成】