Der Artikel argumentiert, dass China nach dem Problem des Mangels an fortschrittlichen KI-Chips vor einer weiteren schweren Herausforderung steht: dem Mangel an hochwertigen chinesischsprachigen Daten zum Trainieren von KI-Modellen der nächsten Generation.
Laut dem US-Forschungsinstitut Epoch AI könnten öffentlich zugängliche, von Menschen erstellte Texte von hoher Qualität weltweit in den nächsten sechs Jahren vollständig erschöpft sein.
OpenAI-Mitbegründer Andrej Karpathy warnte ebenfalls vor einer „Datenmauer“ gegen Ende dieses Jahrzehnts, da die Fähigkeiten von KI-Modellen ohne zusätzliche neue und zuverlässige Daten stagnieren könnten.
US-amerikanische KI-Unternehmen haben die Offline-Datenerfassung beschleunigt. Gerichtsdokumenten zufolge soll Anthropic Dutzende Millionen US-Dollar ausgegeben haben, um Millionen physische Bücher zu kaufen, die Bindungen zu entfernen, den gesamten Inhalt zu scannen und zu digitalisieren und anschließend die gedruckten Exemplare zu entsorgen, was heftige kontroverse Debatten über Ethik und Urheberrecht auslöste.
Für China ist das Problem schwerwiegender, da Chinesisch nur etwa 1,3 % der Inhalte im globalen Internet ausmacht – weitaus weniger als Englisch (fast 50 %), Spanisch (6 %), Deutsch (5,9 %) und Japanisch (5 %).
Im Juni veröffentlichte Chinas Nationale Datenbehörde einen Plan, um das Angebot, die Zirkulation und die Vermarktung hochwertiger KI-Trainingstrainingsdaten drastisch zu erhöhen.
Bis 2028 strebt China den Aufbau eines verifizierten Datenökosystems für Sektoren wie Fertigung, Energie, Gesundheitswesen, Finanzen, Landwirtschaft, verkörperte KI (embodied AI), autonome Fahrzeuge und Luftfahrt in geringer Höhe an.
Chinesische Experten fordern den Aufbau groß angelegter chinesischer Datenspeicher durch die Digitalisierung historischer Archive, Chroniken, alter Manuskripte, wissenschaftlicher Dokumente, Wörterbücher, audiovisueller Inhalte und sogar Dialekte.
Peking ermutigt Unternehmen zudem, synthetische Daten zu entwickeln, um von Menschen generierte Daten zu ergänzen. Die Digitalisierung von Dokumenten stößt jedoch auf Gegenwehr von Verlagen. Einige neu gedruckte Bücher enthalten klare Klauseln, die die Nutzung der Inhalte für das KI-Training verbieten, und drohen bei Verstößen rechtliche Schritte an.
📌 Der KI-Wettbewerb verlagert sich von Chips und Modellen hin zu Daten. Da hochwertige öffentliche Datenquellen zunehmend versiegen, steht China vor einer größeren Herausforderung, da der Anteil chinesischer Inhalte im Internet weltweit nur etwa 1,3 % ausmacht. Um das Tempo der KI-Entwicklung aufrechtzuerhalten, beschleunigt das Land die Digitalisierung von Offline-Wissensspeichern, baut ein nationales Datenökosystem auf und entwickelt synthetische Daten. Die Themen Urheberrecht und Dateneigentum könnten jedoch zu einer großen Hürde in der nächsten Phase des KI-Rennens werden.
