王琤：当数据治理遇上ChatGPT
以为代表的人工智能等技术正在“狂飙”，为全球带来一场翻天覆地的变革。4月27日在2023数据治理新实践峰会上，数语科技创始人&CEO王琤先生以《数据治理新实践与人工智能》为主题进行了分享，与参会同仁共同探索当数据治理遇上，这一轮AI技术浪潮将会与数据治理发生哪些“化学反应”。
以下为王琤先生的演讲实录，为了方便阅读，小编做了一些字句修改和文本优化。
大家好，首先我先代表数语感谢各位莅临2023年数据治理新实践峰会！今天的主要话题是围绕，是人类历史的一个拐点。
数据要素为什么会成为新型生产要素？
首先我们先看看数据要素这个事，目前在国内认为它是新型生产要素，这是为什么？我更多的是从经济发展的三阶段来解读，第一个阶段是农业经济，核心要素是劳动力和土地；第二个阶段是工业经济，核心要素是资金、技术等，第三个阶段也就是咱们说的数字经济，核心的变化在于前两个阶段侧重于“供需方”，也就是企业、顾客双方进行资源配置和价值交换，但当数据融入以后就会生成更多内容，就出现了AIGC（AI ），这意味着更多的企业、顾客、利益相关者共创价值。
从企业场景的角度来说，也就是数字孪生，就是把内容信息进行数字化，进而去做一些数字孪生和预测推演，进而产生对应的价值，数字孪生的1.0版本我们叫角色最优化，2.0版本叫平行世界，也就是将数字化完全做一个数字孪生提前来Run，来预测现实世界有可能会发生什么，反馈给现实世界来提前进行优化，我认为这才是数据作为生产要素被引进来的真正价值。
技术驱动数字化发展带了什么影响？
接下来我将引用几张最近很火的陆奇博士的课件。从劳动力的角度来讲，在农业社会，农民和地是关联在一起的，是强耦合关系；之后的工业社会，劳动力开始流动，生产的产品也是流动的；到现阶段在数字化进程中，其实更多是服务经济，里面的核心角色是程序员、设计师、分析师等；从数字信息无处不在到数字化模型无处不在，这是个大拐点。所以大家都在预测说，可能模型会把程序员、设计师、分析师等都替换掉，这个是当前社会比较焦虑的一件事。等模型更加成熟后，主要的工作可能是去做创业者或者高端科学家。
陆奇博士将人类环境分为三个体系。第一个是感知-信息系统，也就是信息无处不在；第二是思考-模型系统，其实就是我们的知识模型，第三个是实现-行动系统。信息系统早期像IBM、微软等都是在感知和采集信息，可以看到其中的拐点是 将人类获取信息的成本基本拉为0，当然信息系统未来会长期存在。当前我们正处于第二个思考-模型系统 Open AI拐点处， 3.5带来了质变，我们称之为新范式，它将我们获取知识（思考）的成本拉得很低，其本质就是把数据转化为知识表达，通过推理和归纳来实现预期记忆和泛化。最后的行动系统更多讲的是人跟物理世界的转换。
关于把数据转化为知识表达，通过推理和归纳来实现预期记忆和泛化，这两天有个真实发生的例子。在开源模型社区的群里，有人发起针对LD-FSM模型中当事人的关联关系设计的讨论。
大家的回复七嘴八舌，各种角度都有，但始终没有一语道破天机的感觉。这时有人开始把的回应贴了上来。
首先，给了一个上下文，“你是一个资深的数据建模专家”，但这版回复感觉还是不太对路子。
于是，要求再次回答。这次的回答已经相当靠谱了。基本可以达到行业专家的水准。
但这里面还有一些模糊的表述，如“当事人关系在建模中重点描述的是当事人之间的相互作用”，这个相互作用是指什么？于是，再要求对此进行澄清。给了个例子把这个问题阐述的很清楚。
最后，让给予再次澄清和举例。
大家看看这是不是将获取知识（思考）的成本拉得很低，背后就是把数据转化为知识表达，通过推理和归纳来实现预期记忆和泛化。
我们之前要搞定这个事可能要请个模型专家来做个咨询项目，前后得折腾几个月花几万、几十万，现在成本几乎是零。 这就像当年推出搜索引擎，我们获取信息的成本降为零是一样的。所以，我们当前站在一个大的拐点上。
成功的核心要素是什么？
的GPT模型是基于序列式的模型架构，相较于之前的知识图谱等方法，序列式的模型架构可以更高效地把大量的信息做压缩，这是最核心的突破点；其次英语是全球性的语言，信息的量其实是全世界的人都在做贡献。如果放在中文环境，可能面临的挑战还是蛮多的，因为像是西方的文化本身是有推演演绎的哲学逻辑，但中文更复杂，理解难度大，所以相对于英文语料来说差了一个数量级。从中文的角度来讲，未来这些信息的抓取和训练，到底把英文的信息转成中文的，还是从中文直接就开始去做起？这个是一个比较大的十字路口。
人工智能到底可以发展到什么程度？
以为代表的人工智能技术具有强大的能力。一般我们讲人工智能发展分为三个阶段，战胜人类国际象棋大师的阶段属于弱人工智能，目前阶段基本上快到强人工智能，跟人脑的水平差不多，甚至超过人脑，再之后就是超人工智能，就是已经到把人类的这些知识都能覆盖到的阶段，有人预测到2030年或2040年可能实现超人工智能。
美国的益智问答大奖赛，人类冠军跟机器去PK，很难赢。所以像益智问答、算数，死记硬背等这些早都被人工智能Cover到了。然后就是像自动驾驶，语音的识别、视觉、翻译等这些几乎都可以实现人工智能，但像科学、像设计，像写书、像艺术这些东西短期人工智能还难以企及的，所以有一些讨论到底人工智能可以发展到什么程度，这里要提一个有意思的理论—约翰·希尔勒的“中文屋实验”，未来机器到底能不能有一些情感，它能不能发展到不可控的程度？这个尚未有结论，是个开放思考题留给大家。
以AI赋能，数据治理智能化的引擎
其实我们也对做了蛮多研究的，首先我们先问问可以帮助数据治理干些什么？它的回答：第一、能做一些数据治理的这种制度流程。第二、能分析一些数据的有效性、一致性。第三、数据治理的一些质量监测、安全合规，同时做一些任务自动化。针对它回答的第一点，我们让它列举 100 条制造业的行业数据标准，它可以大致给出符合期望的答案。
接下来让它写了一段“用 SQL 去检查身份证号码有效性的代码”，写得非常的完美，确实很强。
那么，数据治理该如何拥抱以为代表的新一轮的AI技术浪潮？
安全分类分级智能化实践
从实践出发，其实一直在做数据安全分类分级的智能化研发。在我们的产品平台架构中，我们通过训练行业分类分级大体系形成一套分类分级的语料库。再通过 Word to 将词向量的距离进行比较，也就是拿一个分类分级跟一个元数据取向量的距离。当然这个过程中肯定也要做一些优化。对于大段信息描述，我们通常采用拆词的方法，这个可能导致拆出来的信息没有意义，这个时候就需要人工优化。
如下图所示，我们对分类的描述做分词处理，然后放在向量空间进行相关运算，看字段与分类的描述的关联度，得出向量空间值，获得与字段相关度最高的数据分类推荐。
其实，目前我们在证券包括银行行业做了很多智能安全分类分级，尤其针对人行的数据安全分类分级的行业标准，我们把这个语料库通过智能化+人工的方式做了一套训练，同时我们拥有一套1220万条的行业语料库来补充人行的这套语料库，因此，在银行业数据分类分级的首次识别率可以达到76%，加上人工优化可以达到90%，当然整个过程有自反馈的效果，也是机器自学习的过程。
