论坛上，武昌区参与的“国家发展改革委国家信息中心人工智能高质量语料生态共建行动”正式启动。

武昌区有关负责人表示，武昌将充分发挥科教资源密集、专家人才集聚、应用场景丰富等优势，链接区内高校、科研院所、医疗机构和工程设计单位的专业力量，加强数据合规指导，持续开放政务服务、城市治理、医疗健康、工程设计等多元应用场景，并强化政务服务和人才保障，从智力支撑、合规护航、场景验证、生态营造等方面，为高质量语料建设及其产业化应用提供支撑。

生态发布环节，来自武昌的铁四院数智化团队，以及湖北舜一技术有限公司等单位代表先后登台，围绕隧道超前地质预报、磁悬浮轴承工程设计等真实产业场景，展示如何将专家经验和工程数据转化为高质量语料，并通过专业评测体系检验人工智能的理解、分析和推理能力。

武昌与高质量语料的联系，不仅体现在论坛上。

今年5月，由GOMAX　LAB牵头组建的高质量语料研究小组开始在武汉数创大厦联合办公。研究小组尝试做的，是将长期沉淀在实验数据、工程图纸、诊疗记录和专家经验中的专业知识，转化为可训练、可评测、可复用的标准化数据资产。

但当AI真正走进医院、工厂、设计院和科研实验室，仅仅“知道得多”远远不够。

医疗诊断不能依靠概率猜测，飞机设计不能容忍似是而非，桥梁、隧道等重大工程更不能接受“一本正经地胡说八道”。产业真正需要的，是能够理解专业原理、遵循行业标准、识别风险边界，并对结论进行追溯和验证的人工智能。

论坛上，中国工程院院士、中国商飞首席科学家吴光辉提到，目前中国商飞正在研发设计C929宽体客机，“未来的飞机设计工作离不开AI的支撑”。

设计一架飞机，与AI和高质量语料有什么关系？

以大型客机超临界翼型为例，一条看似简单的机翼曲线，背后可能是大量数值模拟、风洞试验、工程计算和反复验证。不同飞行速度、气压、载荷条件下，翼型性能如何变化，哪些参数可以调整，哪些边界不能逾越，都凝聚着航空工程师长期积累的专业经验。

这些知识有的记录在试验数据和技术规范中，有的沉淀在一次次工程迭代里，还有相当一部分存在于专家的判断过程中。要让AI真正参与飞机设计，就不能只“喂”给它几本教材，还要让它理解工程师为什么作出某个判断，以及判断成立的条件和边界。

“以高质量数据为纽带，人工智能迭代升级与工程实践双向赋能、互促共生，构筑产业全新发展格局。”吴光辉说。

这句话点出了高质量语料的核心价值：它不是把知识简单搬进数据库，而是让产业实践持续产生数据，让高质量数据推动模型进化，再让模型能力回到工程现场接受检验。

国际人工智能界也在重新审视数据的价值。人工智能学者吴恩达近年来持续倡导“数据中心型人工智能”，主张与其一味调整模型，不如用系统化方法提升数据的质量和一致性，让模型学习真正需要掌握的知识。相关研究认为，当模型架构逐渐成熟，训练数据的可靠性、代表性和持续维护能力，正成为决定AI系统表现的重要因素。

长期以来，提到人工智能数据服务，不少人首先想到的是给图片画框、给文字分类、给语音转写。

这些基础标注解决的是“这是什么”的感知问题，而高质量专业语料要回答的，往往是更复杂的问题：判断依据是什么？合理边界在哪里？不同方案如何取舍？如果出错，应该怎样追溯？

一套真正能够支撑科学研究和产业决策的高质量语料，首先要由专业的人定义规则。

针对不同科研和产业领域，需要由领军科学家和专业科研人员搭建科学框架、制定标注标准、攻克技术难点，并对最终成果进行复核。专家参与的价值，不是简单回答一道题，而是把自己的思考过程、判断条件和专业经验，转化为机器能够学习的规范。

其次，需要建立覆盖生产全过程的质量控制体系。

从规则定义、数据加工到多层级校验，每一步都要可追溯、可验证。面对文本、图像、视频、时序信号等不同类型的数据，还要具备多模态一体化处理能力。一份完整样本，不仅应当包含答案，还可能需要同时保留任务定义、推理逻辑、边界约束、质检标准，以及用于帮助模型识别错误的负向样本。

更重要的是，高质量语料必须进入真实的高壁垒场景接受检验。

论坛上，中国工程院院士吾守尔·斯拉木提出，应围绕专家语料、可信评测和场景闭环，推动科学智能与产业智能协同发展，建设可持续演进的高质量语料与智能评测基础设施。

这意味着，高质量语料建设不能只提供一批数据，还要同步回答另一个问题：如何证明模型真的学会了？

为此，需要建立面向具体行业的评测基准，就像为AI设置一场进入产业现场前的“专业考试”。考试既要看模型给出的最终答案，也要考察推理过程是否正确、是否理解工程约束、能不能识别风险。

国家数据局今年印发的《关于推进行业高质量数据集建设行动的实施方案》明确提出，面向预训练、指令微调、强化学习和测评等不同阶段建设高质量数据集，并以场景牵引数据、数据驱动模型、模型赋能应用，形成持续迭代的“数据飞轮”。

人工智能从“会聊天”走向“能干活”，中间还隔着一道很高的门槛。

模型在通用测试中拿到高分，并不意味着它能够直接进入医院、设计院和生产线。真正的产业智能，不仅要回答问题，还要理解任务、调用工具、完成推理，并对结果负责。它究竟会什么、不会什么，哪些场景可以放心使用、哪些边界不能逾越，都需要一套专业、统一、可复核的评测体系来回答。

这正是落地武昌的GOMAX　LAB试图解决的问题。

GOMAX　AI总裁陈旻麒说，GOMAX　LAB并不是简单的数据标注机构，而是联合科学家、工程师和产业伙伴，把专家经验、行业数据和真实场景转化为高质量语料，再为不同领域的AI模型建立专业评测体系。

用更通俗的话说，它做的是三件事：先教AI学什么，再考AI学会没有，最后把AI放到真实场景中检验。

此次世界人工智能大会论坛上，两项来自真实产业场景的专业评测探索，展现了这套路径如何落地。

其中一项，是GOMAX　LAB与湖北舜一技术有限公司联合发布的磁悬浮轴承工程设计Benchmark。

今年5月，湖北舜一技术有限公司院士工作站揭牌，中国工程院院士李培根受聘为入站院士。该工作站将围绕高负载磁悬浮轴承、磁悬浮轴承与变频一体化、振动主动抑制和智能化等前沿技术开展研究。

华中科技大学教授、院士工作站首席科学家蒋栋介绍，其团队已在磁悬浮轴承领域持续研究十年，未来希望在核反应堆、大型汽轮机、一体化压缩机和飞轮储能等高端装备领域实现突破。

此次发布的磁悬浮轴承工程设计Benchmark，以空压机径向磁轴承五轮迭代为例，建立14项指标图谱，并通过排行榜量化模型完成度。

它不是考AI是否记住某个公式，而是检验模型能否理解设计目标、识别参数之间的约束关系，并在多轮迭代中逐步完成工程方案。换句话说，考的不是“会不会答题”，而是“能不能参与设计”。

另一项探索，来自总部位于武昌的铁四院。

隧道施工前，工程人员需要根据地质勘探、掌子面图像、物探数据和既有工程资料，研判前方是否存在断层、破碎带、涌水等风险。这里既包含大量多模态数据，也高度依赖工程师的现场经验。

GOMAX　LAB与铁四院相关团队合作建设的隧道超前地质预报Benchmark，基于工程实践资料和专家规则构建，并设置评测和能力诊断模块，用于检验AI在这一专业领域的理解、分析和推理能力。

从磁悬浮轴承到隧道超前地质预报，两项探索指向同一个问题：人工智能进入复杂工程领域之前，不能只有“大模型”，还要有高质量语料和能够衡量其真实水平的“考场”。

研究小组为何选择在武昌联合办公？答案或许就藏在武昌的智力密度和产业厚度里。

人工智能需要的高质量知识，通常来自高校实验室、设计院、科研院所和产业一线。换句话说，高质量语料产业不仅需要数据处理能力，更需要密集的专家资源、真实的应用场景和完整的产业生态。

武昌恰好拥有这样的基础。

这些过去分散在不同单位、不同专业、不同场景中的知识资源，如今因为人工智能被重新连接起来。

分析指出，此前武昌已在企业集聚、创新平台建设和应用场景开放等方面形成一定基础，高质量语料研究力量的到来，意味着其数智经济布局开始从汇聚企业、开放场景，向汇聚专家知识、生产专业数据进一步延伸。

过去，人们更多关注一所高校发表了什么论文、一家设计院设计了什么工程、一家医院积累了多少病例。高质量语料提供了一种新的转化路径：把分散在不同领域的专家经验，转化为可训练、可评测、可复用的标准化数据资产，再通过模型训练、专业评测和场景应用释放价值。

在这一过程中，GOMAX　LAB领衔的研究小组更像一个连接武昌科教资源与人工智能产业的“转换器”。

一端连接科学家、工程师、医生和设计师，把他们长期积累的专业知识沉淀下来；另一端连接大模型厂商、科研机构和行业用户，检验人工智能能否真正解决产业问题。

“这也让武昌发展数智经济有了新的切入点。”湖北省社会科学院研究员秦尊文指出，过去，城市竞争比拼土地、资本和项目。进入数字经济时代，数据成为新的生产要素。如今，当人工智能从数字世界走向实体产业，城市又开始比拼一种更深层的资源——知识。

“谁能够汇聚更多专家、沉淀更多行业经验、建设更多可信可用的高质量语料，谁就更有机会率先训练出真正懂制造、懂医疗、懂工程、懂城市治理的人工智能。”秦尊文说。

编辑：胡雨婷