如果一只坏钟每天只有两次指向正确的时间，人们会不会逐渐忽视它的故障，甚至依赖它所提供的假象，大语言模型正如这只坏钟，它们依赖互联网海量数据训练，却常常一本正经地‘胡说八道’。”9月21日，首届青海数据要素生态大会上，浙江大学教授、博导，中国科协决策咨询首席专家，全球数字经济大会中国数据要素50人论坛主席王春晖如是表示。
当前，我国数据产业整体进入发展“快车道”，数据作为关键生产要素的价值日益凸显。依托于数据产业支持的人工智能和AI模型的更高阶进化和迭代，对高质量数据的需求尤其迫切。
高质量数据集是基石
基于当前数据产业生态以及AI大模型的训练模式，借助哲学家维特根斯坦的“坏钟寓言”为引子，王春晖指出，当前大语言模型（LLMs）存在的“幻觉”输出问题，若数据质量低下，模型输出的“幻觉”将误导认知、污染思想，而高质量数据集则是AI可信发展的基石。
据其介绍，现在，LLMs的训练数据多源自互联网，质量参差不齐，生成内容依赖“概率性匹配”，而非“事实性判断”，这导致其常出现“幻觉现象”。
为佐证这一风险，王春晖抛出一组关键数据：“研究显示，当训练数据集中仅含0.01%的虚假文本时，模型输出的有害内容会增加11.2%。”这一数据直指当前AI发展的核心痛点——高质量数据供给不足，尤其是专业领域数据的缺失，导致LLMs产生“幻觉”。
面对数据质量带来的挑战，王春晖强调了高质量数据集对AI大模型训练、推理和验证的关键作用，并详细分类了高质量数据集的类型，包括通识数据集、行业通识数据集和行业专识数据集，并指出这些数据集是支撑通用大模型和行业模型落地应用的基础。
其中，“行业通识数据集”，包含面向行业从业人员、需要一定专业背景才能理解的行业领域通用知识，主要用于支撑行业模型落地应用。如医疗健康数据：个人属性数据、健康状况数据、医疗应用数据、医疗支付数据、卫生资源数据以及公共卫生数据等。
而“行业专识数据集”，包含面向特定业务场景相关人员、需要较深的专业背景才能理解的行业领域专业知识，主要用于支撑业务场景模型落地应用。医疗AI离不开高质量的专家标注数据。比如医疗病理数据标注复杂耗时，必须由临床专家执行以确保准确。
作为最新发展趋势，AI与数据的融合发展，将逐步从以模型为中心到以数据为中心。不过，王春晖指出，以数据为中心的人工智能并未削弱以模型为中心的人工智能的价值，而是两种范式在构建AI系统时相互补充交织。
AI时代的“提问艺术”
“人类最高级的智慧，是向自己或别人提问——苏格拉底的这句话，在AI时代有了新注解。”在演讲中，王春晖通过古希腊大哲学家苏格拉底的提问法，强调了“提出问题”与“鉴别答案”的能力对于使用AI大模型的关键作用，而且提出了提示词工程（Prompt Engineering）的概念。
据介绍，提示词工程的核心是“通过精准设计提示语，引导LLMs生成有用内容”，而优秀的提示词工程师需具备“专业知识+行业洞察+创意设计”能力，这一职业已成为AI服务业的“高端赛道”。
王春晖表示：“在工业、医疗、法律等领域，专业提示词工程师能让AI模型的效率提升30%以上——比如医疗提示词工程师，可通过设计‘病例描述+诊断需求’的精准提示，让AI辅助诊断的准确率大幅提高。”
王春晖进一步指出，提示词工程的本质是“人与AI的协同对话”，而这一过程又会产生新的“高质量交互数据”，反哺数据集迭代——形成“数据→提示词→新数据→更优模型”的闭环。