海量非结构化、粗颗粒的产业数据变为高精度的“乐高”标准件 赋能数商 大模型并非“虚火”

刘彦的母亲是一位脑神经科学家，受到启发，刘彦和好友沈鑫创办数库科技时，也认定要以AI等技术，将产业链数据变为神经元，织成网络，实现彼此串联与传导。唯此，国内外海量企业间错综复杂的关联、运行规律及潜在风险才能被敏锐洞察，给予银行、政府等部门一双“慧眼”。

(相关资料图)

数字经济是上海四大新赛道之一，人工智能是上海三大先导产业之一。当数字与AI结合，所诞生的当然远不止数库科技，还有大量数据产品交付商、数据安全捍卫者、数据资产评估商等。在算法、区块链技术及现下最火的大模型加持下，上海首提的数商生态正日益繁荣。

大模型解析产业链

“数库科技的强项，就是借助自研框架与算法，将海量非结构化、粗颗粒的产业数据，变为高精度的‘乐高’标准件。”刘彦在数据智能论坛上分享。

这并不容易。权威的全球行业分类系统GICS，也不过将产业分为4个层次，若以此标注产业链数据，未免太“粗犷”了。其次，以深圳宝安集团为例，该集团涉及高新技术、房地产、生物医药多个领域，若只打一个行业标签，显然不科学。另一个常见现象是，各企业可能在做同一件事，但它们公开披露的业务名称却未必一致。

上海的数据科技企业就愿意挑战这些难题。通过将行业层级逐级打深至12层，并将各类非结构化数据对齐，数库科技打造了一家“自动化数据生产工厂”，实现了对A股、港股、美股、发债企业等近4万家头部公司所公开披露产品的标准化，并将全国近6000万家工商企业与产业链图谱打通。

图谱并非一张“死图”。由于数据标签很“细腻”，产业链节点间的“蝴蝶效应”会被迅速捕捉——两家表面看起来毫无关联的公司，却被图谱提示，在它们上游，有同一家原料供应商，或股东间有千丝万缕的纠葛。产业链上某个节点的动态、利好乃至风险，都可能传导到各方，并被迅速捕捉。这样的图谱，被刘彦称为SAM（Segment Analysis & Mapping）产业链数据体系，其典型应用场景之一在于量化投资，可使投资机构年化收益至少提升5%。

SAM还在向UPG（Universal Product Graph）升级，进一步叠加工艺流程、生产环节、材质、设备等各类关系，数据维度更丰富，将实体产业刻画得更精准。此时，大语言模型成为功臣。“可以帮助我们解析那些原先纯靠人来处理、且表述形式极为丰富的文本语料，如研报、行业报告等。”刘彦说。

这个被大模型驱动的UPG，有望更切中客户所需。数库科技创始人兼总裁沈鑫告诉记者，“它可为地方政府提供更有针对性的产业规划，迅速找到茫茫企业群中‘最靓的仔’，为地方经济强链补链。又或者，可提示政府及时发现潜力企业，有针对性地招商安商稳商，做好上市培育。”

数商“调教”大模型

种种迹象表明，大模型并非“虚火”，它切切实实在赋能产业。这背后，上海数据科技企业不懈创新，旨在将大模型从通用领域的“实习生”，“调教”为金融、能源、交通等专业领域的“高级顾问”。

在今年世界人工智能大会上，星环科技发布了金融领域大模型“无涯”和大数据分析大模型“求索”。创始人孙元浩介绍，大模型有时会一本正经“胡说八道”，原因之一在于训练大模型用时至少半年，这导致实时新闻资讯、市场行情等快速变化的信息难以内置到模型中。星环科技用向量（指具有大小和方向的量）数据库来承担存储最新信息的中间角色，已成功化解大模型的“幻觉”。如在金融量化领域，“无涯”可回答研报分析，能对个股、债券、基金等各类市场事件进行复盘和推演。“求索”大模型同理，数据工程师可用自然语言按需查询数据，使每个人都能拥有虚拟的业务助手。

不过，大模型能否有出色表现，优质语料是关键。在昨天举行的“大模型时代下的数据要素流通”主题论坛上，上海数据交易所总经理汤奇峰坦言，现有许多语料不佳，影响大模型的发挥。“有些企业具有海量高质量数据资源，开放意愿度也很高，但需要社会第三方企业帮助组织相关的大模型训练。”

汤奇峰表示，上海数交所有志于以市场配置的方式组织数据要素，推动语料库建设。上海数交所已于7月7日正式上线语料库，累计挂牌近30个语料数据产品，包含文本、音频、图像等多模态，覆盖金融、医疗等领域。

（文章来源：解放日报）