近日，教育部、國家語委、中央網(wǎng)信辦共同印發(fā)《關(guān)于加強數(shù)字中文建設(shè) 推進語言文字信息化發(fā)展的意見》(簡稱《意見》)，對加快推進以信息化促進語言文字事業(yè)高質(zhì)量發(fā)展，以數(shù)字化賦能語言文字更好服務(wù)現(xiàn)代化建設(shè)等作出了全面部署。

當敦煌藏經(jīng)洞的千年文書在數(shù)字世界中蘇醒，甲骨文的刻痕以數(shù)據(jù)躍動永駐云端……數(shù)字中文，正以代碼為筆、算法為墨，在虛實交織中聯(lián)結(jié)過去與未來。

數(shù)智賦能語言文字高質(zhì)量發(fā)展

語言文字“日學而不察、日用而不覺”，廣泛存在于社會生產(chǎn)各個方面。

如今，中國已建成世界最大的規(guī)模語言資源庫和中國語言資源知識圖譜，集成120多種語言和方言資源。今年，全國語言文字使用情況調(diào)查將首次實施，打造集數(shù)據(jù)采集、傳輸、存儲、加工一體的集成化調(diào)查平臺，為深化教育綜合改革和綜合國力分析提供大數(shù)據(jù)支撐。

為加快推進語言文字信息化，《意見》提出，將數(shù)字中文建設(shè)作為服務(wù)數(shù)字中國建設(shè)的重要任務(wù)和全面推進語言文字信息化發(fā)展的突出重點，著力推進中文數(shù)字化與數(shù)據(jù)中文化，完善新型中文服務(wù)體系構(gòu)建與語言文字治理體系。

教育部語言文字信息管理司司長劉培俊介紹，中國已發(fā)布100多項國家通用語言文字和民族語言文字信息化規(guī)范標準，為自然語言處理技術(shù)在人工智能、數(shù)字產(chǎn)品和信息產(chǎn)業(yè)領(lǐng)域的應(yīng)用創(chuàng)新奠定規(guī)范基礎(chǔ)。

語言文字智慧化學習的廣泛開展，有力服務(wù)了教育改革創(chuàng)新。比如，高水平開展普通話水平測試，全面實現(xiàn)從人工到智能的普通話測試方式轉(zhuǎn)變，制發(fā)電子證書9000多萬份。在廣東，已建成全國首個普通話水平測試智慧考場，考場首創(chuàng)“隨到隨考”測試模式，大幅提升了普通話測試效率。

語言文明智能化傳播聯(lián)通世界，也有力服務(wù)了國際交流互鑒。通過數(shù)字賦能，書寫在古籍里的文字實現(xiàn)“活化”，建成中華思想文化術(shù)語數(shù)據(jù)庫，面向國際傳播1200多條反映中華民族話語體系中最核心最本質(zhì)的思想文化術(shù)語，并與40多個國家和地區(qū)開展多語種數(shù)字版權(quán)合作。

“中國已建成集成化、智能化、國際化的全球中文學習平臺，用戶超1600萬人，覆蓋190多個國家和地區(qū)，深度合作建立聯(lián)盟，中文學習聯(lián)盟云服務(wù)平臺提供3萬門在線課程，與中外1600多家機構(gòu)合作，推動實現(xiàn)中文人人、時時、處處可學可用、易學易用?！眲⑴嗫≌f。

建設(shè)新型國家語料庫

今年，教育部啟動布局了新型國家語料庫的建設(shè)工作。《意見》明確，到2027年，初步建成國家關(guān)鍵語料庫和國家戰(zhàn)略語言資源信息庫。

新型國家語料庫為什么如此重要?又將在語言文字信息化工作中發(fā)揮何種作用?

“當前以深度求索(DeepSeek)等為代表的人工智能技術(shù)創(chuàng)新不斷取得突破性進展，在這個大背景下，國家提出這樣一個戰(zhàn)略部署，建設(shè)新型國家語料庫，凸顯了其重要性、必要性和緊要性。”教育部語言文字應(yīng)用管理司副司長王暉如是說。

現(xiàn)階段，語言教育教學和研究領(lǐng)域存在多個語料庫，但很多語料庫還處于單一文本模式和領(lǐng)域應(yīng)用階段。這些語料庫在建設(shè)的理念、技術(shù)和方法、規(guī)模，以及數(shù)據(jù)多樣性、時效性尤其是與人工智能相結(jié)合的大規(guī)模應(yīng)用方面尚存在不足，難以滿足多元化、動態(tài)化尤其是智能化的語言數(shù)據(jù)需求。

找準這一難點，王暉介紹，建設(shè)新型國家語料庫立足人工智能時代大背景，突破傳統(tǒng)語料庫單一文本模式和領(lǐng)域應(yīng)用壁壘，以大模型訓練及性能評測、智能計算為核心，以新質(zhì)態(tài)、多模態(tài)、多語言、大規(guī)模、全域性為突出特性，為通用領(lǐng)域和細分領(lǐng)域多場景應(yīng)用及創(chuàng)新發(fā)展提供規(guī)范、可信、高質(zhì)量的語言文化語料資源。

“主要包括兩方面：一是規(guī)范引領(lǐng)，主要是加強制度的供給，研制語料庫建設(shè)規(guī)范，突出價值導向、應(yīng)用導向、創(chuàng)新導向，統(tǒng)籌質(zhì)量和安全，為語料庫建設(shè)提供基礎(chǔ)原則和方法指引。二是示范引導，成熟先上，開發(fā)建設(shè)‘中華文脈新型語料庫’‘中華大閱讀體系語料庫’，以這兩個示范庫建設(shè)整體打造出標桿，‘中華文脈新型語料庫’也可以簡單理解瞄準的是智慧教師，‘中華大閱讀體系語料庫’瞄準的是智慧學伴。”王暉說。

數(shù)字中文推動產(chǎn)業(yè)升級

20世紀80年代，北京大學王選團隊發(fā)明激光照排技術(shù)，并結(jié)合漢字編碼標準，突破了中文數(shù)字化的空間限制，讓承載中華文化的中文在全球互聯(lián)網(wǎng)空間獲得新生。那是一場從“鉛與火”到“光與電”的變革，而如今，大語言模型技術(shù)對大規(guī)模高質(zhì)量語料提出前所未有的需求，賦予了數(shù)據(jù)中文化新的歷史內(nèi)涵和使命任務(wù)。

歷史階段不同，但機遇和挑戰(zhàn)相似。

北京大學王選計算機研究所所長湯幟認為，當前，中文信息處理技術(shù)的發(fā)展從以往解決漢字輸入輸出的基礎(chǔ)性問題，進階到當先釋放語言文字數(shù)據(jù)要素價值的全方位突破。

《意見》提出，實施數(shù)字中文推動產(chǎn)業(yè)升級行動。支持語言文字信息技術(shù)新產(chǎn)品、新職業(yè)和新業(yè)態(tài)發(fā)展，鼓勵傳統(tǒng)語言產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型升級，培育基于數(shù)字中文的新型語言產(chǎn)業(yè)。推動語言資源、語言翻譯、智能機器人、中文內(nèi)容服務(wù)等軟硬件產(chǎn)品研發(fā)應(yīng)用，支持圍繞語音、語料、語言應(yīng)用生態(tài)形成產(chǎn)業(yè)聚集，鼓勵創(chuàng)建語言產(chǎn)業(yè)應(yīng)用示范品牌。

“新形勢下，語言文字將從實現(xiàn)‘靜態(tài)符號’向‘動態(tài)數(shù)字資產(chǎn)’，從‘信息載體’向‘生產(chǎn)要素’的轉(zhuǎn)型，要重點推動語料庫、數(shù)據(jù)標注與評價等標準的研制，支持文本生成與理解、語言翻譯、情感分析等各種任務(wù)?！睖珟帽硎?，人工智能發(fā)展迅速，語言文字信息處理技術(shù)創(chuàng)新應(yīng)用正經(jīng)歷從“GB2312字符集”到“萬億參數(shù)大語言模型”的范式變革，語言文字未來將實現(xiàn)與信息技術(shù)的深度融合，形成“技術(shù)突破—場景落地—生態(tài)繁榮”的良性循環(huán)。(記者 孫亞慧)