第43章 又双叒叕突破啦（1/3）

孟繁岐的这番话，听起来让人觉得不是那么舒服。

言下之意，给人一种华国技术就是不如国外的感觉。

这是李彦弘不大喜欢的，毕竟他这么早就关注技术，就是为了研发最前沿最先进的技术。

孟繁岐大概猜到了他的想法，前世他也曾被早期华国大量发表的论文所迷惑。

觉得在这个新崛起的技术上，华国已经可以和美国分庭抗礼，不落下风。

虽然lphgo震惊了世人，但毕竟有些华而不实。

直到上千亿级别的语言大模型出现，这种纯硬核实力的比拼，让孟繁岐不得不甘拜下风。

实际上，并非是技术手段和算法层面上相差太远。

更多的还是因为优质数据的数量不足。

白度的文心一言，出图的时候甚至会将用户的中文输入翻译成英文，再去作图。

很多较真的网友故意测试了中英文差异很大的词汇，比如总线(bus)，鼠标(ouse)。

文心一言绘出的图像竟然是大巴车和老鼠，这从中文上是完全说不通的事情。

可见即便不是全部，文心一言这个所谓的专注中文的超级大模型，也在相当程度上借助了英文基础的模型权重和技术。

究竟为何要这么做，说到底还是基础不够扎实牢靠。

整理数据，清洗数据，给数据打上高质量的标签。

这些都是脏活累活，见效慢的工作。

把别人公开的数据拿过来跑一跑训一训，多么方便快捷？

以国内996大厂的内卷风气，很难容下长回报周期的基础建设。

早些时候看看不出区别，只觉得国内大厂频繁在榜单上露面，刷榜，又是超过这个，又是超过那个。

直到语言大模型阶段，基础语料数量和质量上的劣势才暴露无遗。

“其实这也不能完全怪华国的大厂风气，美国的互联网起步要早，并且很多领域的文献材料归档做得特别好。”孟繁岐也曾仔细思索过这方面的问题。

“像gthub，rv这样的大型公开社区，里面都是非常优质的外文代码或者论文。这些也不只是美国人自己的积累。而是通过免费公用的形式，收割了全世界的数据。”

“华国人在gthub上贡献的代码行数也不在少数，反过来看看华国的论文社区，就比如知网，纯纯就是毒瘤。里面屯点硕博生的论文，还要论页数收费。就连下载之后的阅读器，甚至都需要专门的....”