当人工智能的浪潮席卷千行百业，一个根本性问题日益凸显：我们如何确保从海量数据中诞生的智能体，是值得信赖的伙伴，而非难以预料的“黑箱”？近日，在福州举行的一场聚焦“从可靠数据到可信AI”的主题交流活动中，来自学术界与产业界的专家们展开了一场深度对话。核心议题直指人工智能发展的核心命脉——如何通过筑牢数据与算力的基石，让AI真正释放其正向价值。
数据的“天花板”：质量决定智能的上限
与会专家普遍认为，当前大模型展现出的“智能”，其本质依然是数据驱动的概率统计，远未达到人类的理解与推理水平。北京大学梅宏教授尖锐地指出，训练数据的规模与纯净度，从根本上划定了模型能力的边界。当下，大语言模型的发展正面临训练语料趋于枯竭、模型因自我迭代而产生“自噬”紊乱等严峻挑战。因此，构建系统化、高质量的数据集，并完善与之配套的数据基础设施，已成为迈向可信AI不可逾越的阶梯。这正如观众期待一场精彩的足球直播在线直播观看体验，若信号源本身模糊卡顿，再好的解说与战术分析也无从谈起，AI的“精彩表现”同样依赖于清晰、可靠的初始“信号”——数据。
北京交通大学张向宏教授进一步提出了“数据工厂”的构想。他认为，只有通过标准化的流程实现高质量数据的稳定、持续供给，才能让大模型和各类智能体真正扎根于具体行业，解决实际问题，从而推动数据要素与人工智能产生“深度共振”，创造切实的经济与社会价值。
政务应用的“对齐”难题：价值校准重于技术迭代
在众多应用场景中，政务大模型被寄予厚望，被视为提升政府治理能力与公共服务水平的创新路径。然而，清华大学孟庆国教授提醒，政务领域的特殊性使其面临着比通用场景更为复杂的风险。这些风险贯穿于数据、模型与应用的全链路：
- 数据层面：用于训练的语料可能隐含社会偏见或遭受污染，导致模型“学坏”。
- 模型层面：固有的“幻觉”问题可能生成虚假或不准确的政策信息。
- 应用层面：直接面向公众时，微小的偏差可能引发重大的政务服务失误。
因此，孟庆国强调，必须构建覆盖全链条的内容安全治理体系。其核心目标在于实现“价值对齐”——确保AI模型的输出逻辑与政府的公共服务价值观高度一致。这不仅是技术问题，更是治理命题，目的是让政务大模型成为提升效能的可靠工具，而非制造新麻烦的源头。
安全双支柱：动态数据流与坚固算力底座
实现可信AI，安全是贯穿始终的生命线。安恒信息首席技术官刘博从数据流动的角度指出，合规只是最低门槛。关键在于通过完善的基础设施，让那些沉淀的、高质量的数据能够安全合规地“流动”起来，并在流动过程中通过动态的安全体系确保其“流动得稳定”。只有这样，才能激活那些埋藏在“水面之下”的数据金矿，使其真正成为驱动AI进步的优质“燃料”。
另一方面，算力安全作为更底层的支撑，其重要性在AI时代被提升到了前所未有的高度。海光信息副总裁应志伟指出，在传统安全防护思路中，软件层面的防御在大模型可能发起的“降维攻击”和底层硬件漏洞面前，往往力有不逮。这就好比在篮球直播中，如果球场（硬件）本身结构不稳，无论球员（软件应用）技术多好，比赛都充满了风险。因此，将安全能力“刻进”芯片，从算力源头构建可信执行环境，已成为保障AI系统稳定、可靠的行业底线与根基。
这场讨论清晰地揭示，人工智能的未来不仅在于模型的参数竞赛，更在于其赖以生存的生态系统是否健康、可靠。从确保数据源的洁净与合规，到保障数据处理流程的安全透明，再到筑牢底层算力的硬件信任根，每一个环节都不可或缺。对于广大技术应用者和普通公众而言，未来我们无论是在od综合体育平台享受无插件观看的流畅赛事，还是在其他领域与AI协作，其背后依赖的正是这套从数据到算力的整体可信架构。而完善的赛事回放功能，也恰如AI治理中的审计与追溯机制，为每一次“决策”提供可复盘、可校验的依据。只有当“可靠”成为“可信”的坚实底座，人工智能才能从炫酷的概念，稳步走向我们身边负责任、可依赖的“新伙伴”。