12月24日，由中国信息通信研究院（以下简称“中国信通院”）主办、人工智能关键技术和应用评测工业和信息化部重点实验室协办的“2024中国信通院ICT深度观察报告会”人工智能伙伴分论坛在北京召开。中国信通院人工智能研究中心常务副主任魏凯在大会期间接受采访。
问题一：会上进行了“CAICT人工智能伙伴计划签约仪式”，请您介绍一下这个计划的基本情况。
魏凯：当前，人工智能发展正在迈入新的发展阶段，这对中国信通院人工智能相关工作提出了更高的要求，也更加需要合作伙伴的支持。“CAICT人工智能伙伴计划”由中国信通院人工智能研究中心牵头，联合20家人工智能领军企业共同发起。这是中国信通院人工智能朋友圈的进一步扩大和升级。下一步，我们将与各个合作伙伴紧密携手，紧密围绕国家重大需求，在政策研究，标准制定、开放共享、行业赋能、国际合作等方面不断深化已有合作，拓宽新的合作空间，探索新的合作模式。
问题二：会上发布了“方升”大模型基准测试体系，这个体系希望解决什么问题？都涵盖哪些方面？
魏凯：大模型是人工智能技术的新范式，标志着人工智能发展进入新阶段。评估测试在大模型阶段的重要性尤为显著，对于研发、选型、应用、部署、治理等都至关重要，可以大模型评测活动需要嵌入大模型全生命周期的各个阶段，这也是与传统人工智能不同的。
“方升”大模型基准测试体系涵盖测试指标、测试方法、测试数据集、测试工具等方面，目前已经形成《大规模预训练模型基准测试-总体技术要求》标准。测试指标方面，包括行业、应用、通用和安全能力测试对大模型进行评估，重点强化行业和场景导向的能力考查，目的是加速大模型与行业的融合。测试方法上，首次提出了自适应动态测试方法，解决大模型“刷榜”等问题。测试数据超过百万条，并首次推出面向行业、通用、应用、安全的评测数据集6个。
问题三：会上发布了人工智能风险管理体系，有哪些亮点？
魏凯：当前，全球掀起人工智能治理浪潮，国际组织及各国密集推出原则指南、政策法规、标准规范，积极应对人工智能产生的现实问题，以期防范人工智能引发的潜在危害。对于产业界而言，亟需一套精准识别、全面防范、有效管控人工智能风险的治理落地方案。中国信通院提出的“人工智能风险管理体系”，是在此前研究基础上的关键突破，同时是破局人工智能治理的关键手段。
本次中国信通院发布的“人工智能风险管理体系”，创新构建了“风险管理”与“流程管理”深度融合的风险治理方案。风险管理方面，提出结合“智能程度”和“危害程度”判定风险级别的思路，构建“风险识别-风险定级-风险应对”的风险管理方案。流程管理方面，打通“技术提供方、应用提供方、应用使用方”全链条的风险管理链路，将风险治理理念及人工智能治理要求贯穿于人工智能各类活动的全流程，满足不同技术领域、不同业务规模的产业实践需要。
问题四：此次发布的大模型落地路线图，主要出于什么目的？具有哪些价值？主要包含哪些内容？
魏凯：随着大模型的技术能力不断提升，热度愈发高涨。然而，当前应用方在构建大模型系统、能力和应用时，在基础设施、数据集、应用模式、安全可信等方面都存在非常多的问题亟待解决。今天发布的大模型落地路线图，充分参考了信通院牵头研制的大模型相关标准，吸收了我们从几十项大模型测试中观察到的趋势，也凝聚了160多家合作伙伴的宝贵经验。
大模型落地路线图按需求拉动、问题驱动、创新推动、技术带动的原则，面向大模型落地全生命周期，从现状诊断、能力建设、应用服务、运营管理等四个阶段出发，充分考虑大模型基础设施层、数据资源层、算法模型层、应用服务层、安全可信层等关键要素。我们认为，大模型落地路线图既是大模型高质量发展的蓝图，也是大模型落地应用的实践说明书。未来，我们希望依托大模型落地路线图这项研究工作，梳理大模型发展关键问题并形成落地指南，进一步引导产业各方应用和部署大模型，推进我国大模型走深向实发展。
问题五：《2023大模型数据资源地图和治理路径》的编制背景、编制进展和下一步工作计划是什么？
魏凯：未来通用人工智能对数据的需求量还将持续级数增长，高质量、大规模和多样性的数据成为保障我国人工智能健康发展的根本要素。当前，行业领域拥有大量场景化数据资源，但分布分散，未形成清晰的可用于大模型训练的数据集资源地图，缺乏有效AI数据治理手段、统一AI数据集开发管理和质量评估标准，导致数据供给与大模型预训练需求不匹配。
在此背景之下，中国信通院牵头，联合中国联通、交通银行、中科院文献情报中心等40余家单位开展《2023大模型数据资源地图和治理路径》编制工作，为大模型训练“寻数”提供了一套有效的“按图索骥”的工具方法。此外，结合人工智能模型训练及应用需求，定义人工智能高质量数据集定义，发布AI数据集治理标准体系V1.0，规范人工智能数据治理全流程，更好服务于模型的开发与应用。
下一步，中国信通院愿意与产业合作伙伴一道，继续深化细化大模型数据资源地图、完善人工智能数据治理评估标准体系、完善人工智能数据产业生态，共同推动人工智能和数据的“双飞轮效应”。
