国家新闻出版署日前印发《出版业发展“十五五”规划》,在“推进报业系统性变革”部分明确提出,加强报纸出版单位业务协同创新、跨界协作,鼓励建设部署高质量语料库,拓展“新闻+文化、政务、服务”等功能。这是高质量语料库首次被写入国家出版领域五年规划,标志着主流媒体长期积累的内容资源正式被纳入国家人工智能发展的要素配置视野。数据、算法、算力并称人工智能三大要素,随着算法趋同、算力普惠,高质量数据日益成为决定大模型能力上限的关键变量。在这一进程中,主流媒体所拥有的权威、准确、导向正确的新闻内容资源,恰恰是当前大模型训练最稀缺的高质量中文语料。主流媒体如何建设好、部署好高质量语料库,既是自身推进系统性变革、培育媒体新质生产力的内在要求,也是服务国家人工智能战略的时代命题。
语料库建设进入推进新阶段
从中央媒体到地方媒体,一场关于语料库的新基建正在展开,并已初步形成“央媒引领、省媒跟进、各具特色”的格局。
人民日报社(人民网)起步最早、体系最完整。2023年初,人民网依托传播内容认知全国重点实验室启动主流价值语料库建设,目前语料库总体规模超过300TB,其中基础语料超300亿字、问答语料超过30万对,是国内规模最大、内容最权威的主流价值语料库,2025年入选国家数据局高质量数据集典型案例,与10余家主流大模型厂家对接应用。2026年5月,人民网进一步发布“媒体语料服务平台”,提供从数据清洗、标注到标准制定、安全流通、产权管理的一站式语料服务,并启动主流价值语料生态联盟,从建库迈向服务全行业。
新华社走“语料+模型+智能体”一体化路线。2026年6月,新华社推出时政资讯智能体“新华语典”,其底座正是新华社积累的权威数据和数千亿字的高质量语料库。新华网公告显示,新华网为该项目投入总预算11.22亿元,其中内容建设(语料库建设、内容审核与合规优化)投入1.53亿元。
中央广播电视总台聚焦视听多模态语料。2025年2月,总台人工智能大楼启用,与上海人工智能实验室、华为、腾讯等10余家大模型研发机构签约,共同促进高质量语料汇聚,并明确推动国家高质量语料库建设。总台2025年3月发布的人工智能发展白皮书提出,以央视听媒体大模型2.0为抓手,在节目制播过程中同步完成海量音视频数据的清洗、分类和标签化,构建国内领先的高质量多模态语料库,为我国人工智能产业发展提供支撑。
省市级媒体结合区域特色加速跟进。上海报业集团2025年7月发布AI智媒引航计划,旗下澎湃新闻的“派生万物传播大模型”算法已获国家网信办备案,解放日报社与上海库帕思科技有限公司签约共建主流价值大数据语料库。2025年8月,大众报业集团、山东数字文化集团与人民网签约共建主流价值语料库(山东),并上线全国首个主流文化语料库,一期已上线问答语料5万对、基础语料2000万篇;山东数字文化集团以大众报业集团积累的2000多万条媒体数据为基础建设山东文化数据库,自主开发齐鲁文化大模型,已通过国家网信办双备案并写入山东省政府工作报告。四川以天府融媒联合体为牵引,省财政支持1.38亿元建设省域智媒枢纽,构建“一主三子”语料架构,主库为四川主流舆论语料库,子库分别覆盖图文、音视频和藏语资源,已汇集超过500TB数据资产、覆盖全省212家主流媒体。浙江日报报业集团牵头组建“传播大脑”,其传播大模型基于浙报集团10亿条高质量新闻数据训练,是全国首个通过中央网信办备案的媒体垂类大模型,已服务超5万用户、提供智能辅助超800万次。
总体来看,主流媒体语料库建设已从零星探索进入体系化推进阶段,但也存在标准不一、分散重复、流通不畅、商业模式不成熟等问题,亟待在更高层面统筹。
高质量语料库具有战略价值
高质量语料库直接决定我国大模型的整体能力上限,是中美AI竞争的“弹药库”。当前中美两国发布的大模型数量占全球80%以上,但训练语料的结构性失衡十分突出。在“数据墙”逼近、美国收紧技术与数据管制的大背景下,谁能掌握大规模、高质量、价值观正确的中文语料,谁就能在大模型竞赛中赢得主动。主流媒体数十年积累的真实、准确、经过专业把关的新闻语料,正是补齐中文高质量语料短板最现实、最可靠的来源。
高质量语料库是主流媒体垂类大模型和智能体的能力基石。通用大模型缺乏新闻专业语料,容易在时政、财经、文化等敏感领域“水土不服”甚至产生幻觉,而基于权威媒体语料训练的垂类模型表现明显更优。浙江传播大模型基于10亿条高质量新闻数据训练,使采编人员资料查找时间平均节省40%、内容创作速度提升50%以上、内容审核效率提升100%。可以说,语料库的质量决定了媒体大模型和智能体的智力上限与安全底线。
上述两重价值决定了主流媒体高质量语料库具有明显的公共性。主流价值语料库的建设成本高、正外部性强,单一机构难以独立承担,其效益又外溢至全社会的大模型生态,符合公共产品和新型基础设施的基本特征。我国AI公共语料库建设仍处于起步阶段,数据分散化、碎片化,缺乏统一平台和协调机制,需要国家层面的制度供给。因此,主流媒体语料库不能仅靠媒体自身“小散弱”地建设,而应上升为国家战略予以系统部署。
两路四式推进运营语料库
主流媒体如何建设好、部署好、用好高质量语料库?
在建设层面,可沿两条路径推进。一是以国家重大工程方式组织建设国家高质量语料库,由各级主流媒体分工承担。鉴于语料库的公共性,可实行“国家统筹、分级承担、共建共享”,其中,央媒承担全国性、综合性主流价值语料库和多模态语料库,省级媒体承担省域语料库,行业媒体承担垂类语料库,统一标准规范、统一确权授权,分级分类开放。二是与各地党委、政府及品牌企业共建区域、行业语料库,服务地方治理与传播能力建设。地方政务、历史文化、特色产业数据是区域治理智能化的基础资源,主流媒体恰是这些资源的汇聚者和把关人。此类语料库既提升地方智能治理和国际传播能力,也使主流媒体深度嵌入区域数字化进程。三是同步健全标准规范与安全治理体系。
在运营层面,重点是建立可持续的商业闭环,大体有四种模式。一是承担党委、政府委托的高质量语料库建设任务,将语料库建设纳入政府采购服务和重大工程清单,获得稳定的财政性投入。二是承接各地党委、政府和品牌企业的区域、行业语料库定制业务,输出“数据采集—清洗—标注—审校—发布”的全链路能力。三是基于自身语料资源开展授权经营,面向大模型企业、政府部门、品牌企业提供分级分类的语料授权服务。随着数据产权和版权制度的完善,语料授权有望成为主流媒体内容资产价值重估的重要通道。四是基于高质量语料库打造智能体产品和服务,直接面向用户提供可信智能服务。智能体既是语料价值的最终出口,也反向产生新的交互数据,推动语料库持续迭代。
《出版业发展“十五五”规划》将“建设部署高质量语料库”写入报业系统性变革任务,实质是把主流媒体的内容优势重新定义为国家人工智能竞争的战略资产。对主流媒体而言,语料库既是以优质内容供给赢得AI时代可见度的根基,也是重构经营模式、实现内容资产价值重估的抓手。
(作者为中央民族大学新闻与传播学院教授、博士生导师,互联网平台企业发展与治理研究中心主任)
(DVOL本文转自:中国DV传媒 http://www.dvol.cn)