高書生：ChatGPT對文化元宇宙的啟示（全文+PPT）

就目前來說，在元宇宙的初級階段，主要還是從消費層面做，也應是數字化文化消費的新場景，而且是數字化文化體驗的一種形式。但我覺得再往前走，實際上已經進入到一個比較高的階段了， 實現生產和消費統一，這樣來推動文化元宇宙的發展會更好一些，這是我對今天開幕式主題的理解。

二 、數據——數字化時代的生產要素

現在大家都已經認為數據是數字化時代的一個生產要素，但我覺得現在叫「要素」的多，叫「生產要素」的不是太多。

1.數據保真：下一步人工智慧發展的充分必要條件

從目前非常火的ChatGPT談起，ChatGPT給我們的啟示有兩點，一個是數據如何保真，這個可能是大家非常關心的問題。可能是我工作崗位的原因，我們更多還是從管理的角度考慮問題，所以我們在想 數據的保真可能是下一步人工智慧發展一個非常重要的充分必要條件。如果說數據不能做到保真，人工智慧發展的方向可能就會出現一些不應有的失誤。

從各種討論文章當中大家也都看到了，目前ChatGPT訓練的數據集來源大體上分為六類，包括維基百科、書籍、期刊、網際網路的網站等等，訓練的數據集在GPT-3裡面實際上總量應該有3000億的詞彙，有1750億的參數，這給我們的觸動是非常大的，如果沒有這樣一個數據量訓練的話，人工智慧發展確實有很大制約。

這段時間大家都在測試，都是在試新鮮，看看新的聊天機器人水平到底有多高，在這個過程中，可能有些人已經提出了一些問題。 大家比較關心的問題就是：網際網路上的數據並不都是準確的，當錯誤的數據量足夠大的時候，就會導致得出的結論也是錯誤的。有一個案例是基於GPT-3的醫療聊天機器人曾經建議病人自殺，這可能是個案，但如果個案多的話，就成了普遍性的了，歸根結底就是數據的保真問題。而且現在所有的人工智慧模型的學習都是基於一些歷史數據，還有一些社會學學者也在研究，有可能這些數據當中存在不必要的偏見，這種偏見也會導致社會的排斥和歧視。所以說， 扣好文化元宇宙第一粒扣子非常重要，我認為這是AIGC的充分必要條件，也是開發人工智慧非常重要的條件。

這方面，跟我們現在正在推動實施的國家文化數字化戰略有相通的地方。也就是這些數據集到底從哪裡來，不光我們國人，國外也在問，在中文網際網路的數據質量堪憂的情況下，我們的數據到底應該從哪裡來？ 我們認為應該從中華民族積澱了五千多年的文化資源中轉化而來，這可能是我們下一步應該重點考慮的。可能有人說你這個都是理論的東西，怎麼變成現實？

其實在國家文化數字化戰略當中，已經提出了非常明確的要求了。我國是文明古國，也是文化資源大國，這些年我們在推動文化數字化過程中，特別是文化資源數字化過程中，也積攢了大量的文化資源數據，這些數據大多數都集中在公共文化機構。 所以說這次中辦國辦文件當中明確提出公共文化機構要向社會釋放數據，要依法向社會公眾開放，讓大家都從這些數據當中提取具有歷史傳承價值的中華文化元素、符號和標識，並把它們轉化為文化生產要素，從而就成為文化元宇宙，以及文化創新和創造的文化素材，這在國家文化數字化戰略當中是非常明確的。

具體來說，我們現在數據量是非常大的，包括文化館、圖書館、美術館、博物館。我們尤其關注的一個點是地方志，地方志的數據也是非常珍貴的。根據中國地方志指導小組統計，到2020年，我們省、市、縣三級的地方志志書已經完成了有5000多部，到2020年底公開出版的已經有4900多部，同時現在又增加了一些部門志、行業志和專題志，這個數量就更大了，有25000多部。

同時像鄉鎮志、村志，還有過去的舊志，應該說這個量是非常大的。更重要的是這些年地方志的數字化已經有了一個長足的進展，截止到2019年年底，省、市、縣三級光建成的數字方誌館（資料庫）就有100多個，我估計現在會更多，像新華智雲說已經有25個省、自治區和直轄市的數字方誌館。 我們為什麼用地方志呢，因為地方志是中華民族積澱5000年文化資源的底部，如果我們把地方志做通了，可能很多東西都可以做的。

還有就是文化旅遊部下面有一個中國民族民間文藝發展中心，業內人認為這是一個文藝長城工程，大概是從「六五」時期開始做的，用了三十年時間，動員了三十多萬人的力量，最後收集到民族、民間的文藝資料是非常多的，總量應該是在50億漢字左右，包括民歌、民間故事等等。現在已經出了很多書，也在推動進一步的數字化。還有一些中央新聞單位的數據量也是非常大的，例如人民日報、新華社、中央電視台、中央人民廣播電台，還有國際台。我們出版業的數據也非常多，期刊裡面有知網、萬方、維普等，圖書領域綜合性的有國家數字圖書館，還有一些專業專題性的資料庫也非常多。

同時，我們民間的數據量也非常大，為什麼說是民間的，實際上從1983年、1984年開始，錢鍾書老先生曾經開闢了一項事業，就是對中國古典文獻做數字化，他在世的時候做了17年，去世以後這項工程又持續了二十多年，他們有個公司叫「掃葉」，現在積累的漢字數總量在20億左右，其中漢字型檔是目前我們看到的最全的。我們知道《康熙字典》最多是4萬多字，現在據說他們已經達到了將近8萬個漢字，收錄了36萬人，比《中國人名大辭典》多出5倍，這裡面有作品庫、地名庫，還有一些工具庫、圖片庫、地圖庫等等，這個量也是非常大的。包括我們中華書局也在做相應古籍的整理，這個量也是很大的。

再看看有些地市級也在做大量的資料庫，包括陝西渭南有一個「兩河一山」文化數字記憶項目，他們積攢的資料庫就有十個，包括重點文物保護、古代的書院、民間傳說、詩詞歌賦、歷史文化名城、名鎮、名村、名人資料庫、非遺資料庫、古籍目錄資料庫、傳統戲曲劇目劇本資料庫，還有紅色文化資源資料庫，有10個資料庫，量還是非常非常大的。 所以說，我們現在在推動實施國家文化數字化戰略過程中的一項重要任務，就是關聯形成中華文化資料庫，這對整個人工智慧的發展，通過人工智慧創造生產更多面向大眾的文化數字內容而言，是一個基礎性的工程。

我們現在講 數據驅動，這個數據應該是具有文化內涵的數據，現在數據量非常大，但還沒有去做標註、標引，那文化內涵是體現不出來的。我們過去經常說一句話「基礎不牢，地動山搖」，現在我們許多產業項目、在推廣的很多東西，包括網際網路大廠在做的一些事，總的感覺是在沙漠上蓋高樓，地基不穩，什麼事都做不大。所以為什麼人家說，ChatGPT沒有在中國產生，我覺得這就是因為我們基礎不牢。

2.數據標註：把數據的採集、加工和數據服務變成一種經常性的工作

第二個啟示，就是數據的標註。有專家向ChatGPT提出：「請模仿杜甫寫一首詩」，結果並不是很理想，因為呈現並不好。有的專家分析，在它的語料庫中沒有對漢語的韻律、位元組做標註和訓練，這可能是非常重要的原因。我們有了數據但不去做標註，那人工智慧也發展不起來。對於數據的標註，我們這次在國家文化數字化戰略當中有了一個明確的要求，就是 希望各級各類文化機構，要把數據的採集、加工和數據服務變成一種經常性的工作。

數據的標註主要是從三個方面著手，首先要對數據進行分類，我們現在按照聯合國教科文組織分的六大類別，包括自然和文化遺產、表演和慶祝活動、視覺藝術和手工藝、圖書和出版、視聽和互動傳媒、設計與創意服務六大類別。其次在這個基礎上，每個類別里都有一些專題的知識圖譜，我們就可以依據它來做編目。分類和編目，實際上對數據定下坐標了。最後我們還要對數據的特徵進行描述，即數據的標籤化。

在這方面，我們國家這幾年有了長足的進展，例如百度在全國有七個已經建成的數據標註基地，我去看過其中一個在山西太原的基地，當時我還沒有什麼感覺，去年突然間發現這是一個非常大的產業。山西太原這個基地是入駐在山西的綜改示範區，到2022年的5月份，辦公面積已經超過19000平米，有5000名數據標註師，有53家代理商入駐，從2018年進駐到2020年5月份，累計的產值已經超過5個億，累計培育孵化了41家的數據標註企業。

文化領域的裡面也有，同時我也參觀了中國知網在太原的數據加工基地，他們是對期刊和報紙，包括一些論文做標註，而且這個量也是非常大的。剛才我們說太原的百度基地，每年的營收應該在1個億左右，中國知網的太原數字出版數據加工基地營收也是在一年1個億左右，這個量也是非常大。 因此我們今年就想，在全國建設國家文化大數據標識基地，在標註的基礎上再賦標識符（ISLI碼），使具有文化內涵的數據，真正能夠在國家文化專網互聯互通，這是一項基礎性工作。

在這兒，我想多解釋幾句，我們用的標識是我國提案創建的國際標準，叫ISLI，就是國際信息和文獻領域關聯標識符的國際標準。我們現在文化數字化採用的是標識解析，這跟網際網路的域名解析有很大的區別。區別在哪裡呢？我們的域名解析是把域名變成了IP位址，用IP尋址的方式來解析。文化數字化用標識解析，用我們國家提案並創建的國際標準，為每一個數據賦標識碼，然後我們自己有一套解析系統。 它跟域名解析最大的區別是，我們標註的標識碼後面都包含兩個主要內容，一個是數據的元數據信息，一個是數據的訪問地址。

這樣的話，這個國際標準就發揮它的四大功能：第一就是 標識，標識編碼由十進位的數字和三個欄位構成的；第二用這個碼構建數據和數據之間的 關聯關係，這一點非常重要，這也是國際信息和文獻領域當中唯一一個具有關聯功能的國際標準；第三就是它的 解析功能；第四是 鑒權功能，驗證用戶是不是擁有訪問系統的權利，也即版權的認證，這些問題我們全解決了，在數字化時代，所有數據涉及到的版權問題，用標識解析就可以解決。

這樣就達到了三個目的：第一是 數據的互聯互通，因為它有地址和元數據；第二是 數據的分布式存儲，現在的文化機構最大的問題是擔心自己的數據被別人盜取，所以我們一方面先用了國家文化專網，跟網際網路是物理隔離的，同時我們也採用了標識解析，可以實現物理分布、邏輯關聯，即誰的數據還是在誰的伺服器里，或者數據中心裏面，但是由於它可以互聯互通，別人知道你有數據，然後可以進行交易，通過授權使用這個數據來做加工；最後一個是 數據的確權，每個數據都有唯一的身份證，而且是伴隨著這個數據的全生命周期，從採集、加工、生產、交易到最後數據的呈現全過程，以及它和其它的數據融為一體之後所產生的新的文化數字內容，這個過程中每個數據都可溯源，這是標識解析解決的非常重要的問題。

最後我想這樣一個標識解析，對於文化元宇宙下一步的發展很有啟發意義。我們認為文化元宇宙的核心要素就是三個：第一是數字身份，第二是數字貨幣，第三是數字資產。在這個過程中，如果把電視機作為元宇宙的入口，把電視機的機頂盒變成元宇宙的發射器，用剛才說的國際標準的標識符作為數字身份，而且國際註冊機構已經授權中國公共關係協會文化大數據委員會作為中國區的註冊機構，ISLI的DRA扮演元宇宙「戶籍警」的角色。

數據身份認定之後，給個人機構以及對數據和內容都可以做標識，那整個元宇宙發展的「底座」就有了，不會像過去那樣先發展後治理的模式。在這個基礎上，我們就可以發展一種主權鏈。在中辦國辦文件裡面明確提出推動標識解析與區塊鏈、大數據等技術融合發展，在這個基礎上依託我國主導的國際標準，它的手段就是依託國家文化大數據標識註冊中心，實現這個標識解析體系和當下在發展的各種聯盟鏈對接。用這樣一套系統，給各個基於區塊鏈的聯盟鏈做背書，也就是說我們可以扮演一種公鏈的角色，從而推動整個區塊鏈技術向前一步。

最後我建議我們在研究過程中，對文化元宇宙還是要考慮它的治理成本，千萬 不能再重蹈網際網路「先發展、後治理」的覆轍，成本太高了。

話題互動

您對高書生在研討會上的發言有何看法？

歡迎在留言區發表您的觀點

加入私密社區

主題閱讀

高書生：文化數字化建構五個方面全新體系

高書生：國家文化數字化戰略的技術路線與中心環節

高書生：主權鏈呼之欲出

推薦收聽

東北大花布產自上海？細說花布的三重身份

張若昀再出古裝爆款，但難成IP改編範本

沒有「誤殺」的《誤殺2》，是好電影嗎？

創始人卷錢跑路，萬門大學暴雷早有預謀

《雪中悍刀行》開播，你用了幾倍速看？

行業窗口與頂尖新媒體【文化產業評論】已運維3000多期（持續8年有餘，跨越3000多天），推送文化、旅遊、體育領域專業優質文章7000多篇。【文化產業評論】始終秉承權威、專業、準確、及時、實用的特點，聚焦文化、旅遊、體育等行業前沿動態、發展思考，直面新時代行業發展重大問題，融匯行業內外精英的觀察和理解，得到了全國從中央到地方各級政府公務員、企事業單位負責人、精英從業者的高度關注與大力支持，亦架設起溝通各方的暢通渠道，是中共中央宣傳部、國家發展和改革委員會、文化和旅遊部 、國家廣播電視總局、國家電影局、國家新聞出版署、國家文物局、國家體育總局等有關部門，各地市政府，以及全國各文化、旅遊、體育企業的重要助手。歡迎訂閱關注！

交流/諮詢/合作

請加主編微信號：7759813

點擊下方【閱讀原文】加入「文化產業評論」，這裡，是你的舞台~

喜歡這篇嗎？分享、點贊、在看，都安排上~