China vrea să devină până în 2028 o „superputere a datelor” și să-și extindă influența asupra informațiilor folosite pentru antrenarea inteligenței artificiale. Beijingul pune la dispoziția pieței globale volume uriașe de date, iar miza nu este doar tehnologică, ci și geopolitică: modul în care viitoarele chatboturi vor răspunde la întrebări despre China, drepturile omului, Taiwan sau sistemul politic chinez.
Problema a devenit evidentă încă din primii ani ai ChatGPT. Cercetători de la Institutul de Tehnologie din Beijing au constatat atât erori privind cultura și istoria Chinei, cât și răspunsuri pe care le-au calificat drept „părtinitoare la adresa Chinei”. Pentru Beijing, vulnerabilitatea este faptul că marile modele AI sunt antrenate în principal pe conținut în limba engleză și reflectă într-o măsură importantă perspectiva occidentală, scrie Cotidianul cu referire la The New York Times.
Administrația Națională a Datelor din China și-a propus ca până la sfârșitul anului 2028 țara să devină o „forță globală a datelor”. Planul prevede crearea unor seturi de date de înaltă calitate în peste două duzini de domenii, de la cercetare și industrie până la vehicule autonome.
Beijingul intenționează să distribuie aceste resurse și în străinătate. China a promis acces gratuit la date pentru țările în curs de dezvoltare, iar laboratoarele de stat și instituțiile media chineze au publicat deja volume mari de informații pe platforme open-source precum GitHub și Hugging Face.
În același timp, China încearcă să reducă decalajul față de SUA în ceea ce privește calitatea datelor de antrenare. Laboratoarele chineze folosesc inclusiv tehnica de „distilare”, prin care date generate de modele americane performante sunt utilizate pentru antrenarea propriilor sisteme, practică ce a provocat acuzații de copiere neautorizată din partea companiilor americane.
Exportul masiv de date chinezești provoacă însă îngrijorări în Occident. Un studiu publicat în Nature arată că narațiunile oficiale chineze au ajuns deja în datele folosite pentru antrenarea unor modele occidentale precum ChatGPT și Claude. La întrebări despre regimul de la Beijing sau Xi Jinping, răspunsurile în limba chineză s-au dovedit mai favorabile autorităților decât cele formulate în engleză.
Cercetătorii explică diferența prin predominanța presei de stat chineze în spațiul online de limbă chineză, în timp ce vocile independente și critice sunt puternic limitate de cenzură. În cazul chatboturilor, utilizatorul nu vede întotdeauna sursa informației și poate primi o narațiune oficială fără să știe de unde provine.
Un exemplu al strategiei este setul de date WanJuan, creat de Laboratorul AI din Shanghai. Acesta include informații despre istorie, drept, medicină, literatură și alte domenii și este conceput în conformitate cu „valorile chinezești dominante”. WanJuan este disponibil și în arabă, coreeană, rusă, thailandeză și vietnameză.
Prin astfel de proiecte, Beijingul încearcă nu doar să-și consolideze industria AI, ci și să influențeze infrastructura informațională pe care vor fi construite viitoarele chatboturi la nivel global.