L’articolo sostiene che, dopo il problema della mancanza di chip avanzati per l’IA, la Cina sta affrontando un’altra grave sfida: la carenza di dati in lingua cinese di alta qualità per addestrare i modelli di IA di nuova generazione.
Secondo l’istituto di ricerca statunitense Epoch AI, i testi di alta qualità creati dall’uomo e disponibili pubblicamente a livello globale potrebbero esaurirsi completamente nei prossimi sei anni.
Anche il co-fondatore di OpenAI Andrej Karpathy ha messo in guardia contro un “muro di dati” entro la fine di questo decennio, poiché le capacità dei modelli di IA potrebbero stabilizzarsi in assenza di nuovi e affidabili dati aggiuntivi.
Le aziende di IA statunitensi hanno accelerato la raccolta di dati offline. Secondo i documenti giudiziari, Anthropic avrebbe speso decine di milioni di dollari per acquistare milioni di libri cartacei, rimuovere le rilegature, digitalizzare l’intero contenuto e poi scartare le copie stampate, sollevando molte polemiche in merito all’etica e al copyright.
Per la Cina il problema è più grave, poiché il cinese rappresenta solo circa l’1,3% dei contenuti su Internet a livello globale, una percentuale molto inferiore rispetto all’inglese (quasi il 50%), allo spagnolo (6%), al tedesco (5,9%) e al giapponese (5%).
A giugno, l’Amministrazione nazionale dei dati della Cina ha pubblicato un piano per aumentare significativamente l’offerta, la circolazione e la commercializzazione di dati di addestramento per l’IA di alta qualità.
Entro il 2028, la Cina punta a costruire un ecosistema di dati verificati per settori come produzione, energia, sanità, finanza, agricoltura, IA incarnata (embodied AI), veicoli autonomi e aviazione a bassa quota.
Gli esperti cinesi chiedono la creazione di archivi di dati cinesi su larga scala digitalizzando archivi storici, cronache locali, manoscritti antichi, documenti scientifici, dizionari, contenuti audiovisivi e persino dialetti.
Pechino sta inoltre incoraggiando le aziende a sviluppare dati sintetici per integrare quelli creati dall’uomo. Tuttavia, la digitalizzazione dei documenti sta incontrando la resistenza degli editori. Alcuni libri appena stampati riportano chiaramente clausole che vietano l’uso dei contenuti per l’addestramento dell’IA e mettono in guardia contro azioni legali in caso di violazioni.
📌 La competizione sull’IA si sta spostando dai chip e dai modelli ai dati. Poiché le fonti di dati pubblici di alta qualità si stanno esaurendo, la Cina affronta una sfida maggiore poiché il volume dei contenuti cinesi su Internet rappresenta solo circa l’1,3% a livello globale. Per mantenere il ritmo di sviluppo dell’IA, il paese sta accelerando la digitalizzazione degli archivi di conoscenza offline, costruendo un ecosistema di dati nazionale e sviluppando dati sintetici. Tuttavia, il problema del copyright e della proprietà dei dati potrebbe diventare un grande ostacolo nella fase successiva della corsa all’IA.
