一个人工智能大模型是否完善、是否更接近人类的自然思维逻辑，往往取决于三大要素：数据、算法、算力，其中数据在AI模型进行训练学习的过程中，对训练效率的贡献达到了80%以上，且目前数据标注多为人工标注团队进行，海外ChatGPT的数据标注团队华人占比较少，因此ChatGPT模型对于中文语义的学习和处理不如英语等其他语言。随着国内百度、华为、阿里等多家互联网科技公司相继发布自己的AI大模型，相应模型也需要对使用者常用的语言环境有较为充分的了解，中文语义的训练数据需求将大幅提升。

（数据来源：OpenAI，方正证券研究所整理）

期刊与书籍是文本AI训练集中权威资料的主要来源。根据OpenAI公开论文显示，ChatGPT的训练集使用了总计约320TB的文字信息，涵盖超4000亿词和约31亿个网页，其中包括来自新闻、博客、社交媒体的内容。模型数据集主要来自：普通爬虫、期刊、Reddit链接、书籍、维基百科和其他数据集。而目前国内中文数据中，涉及专业领域的权威数据具有较强的稀缺性，多来自于学术期刊、科学图书等出版物数据，如知乎上高质量的以消费、科学、娱乐为主的高质量文本素材，或万方、维普等权威期刊网站或出版社的数据库资源等，中文训练数据有较高的获取壁垒。

根据各公司财报等公开资料梳理，中文语义数据相关上市公司有：中文在线、中国出版、中文传媒、中国科传、中信出版、掌趣科技等。

（数据来源：各公司官网，各公司财报，方正证券研究所整理）

风险提示：

数据相关政策落实不及预期、AI技术发展不及预期等

参考资料：

①中泰证券-闻学臣（S0740519090007）-数据要素、A IGC 凸显新驱动力，大数据投资利器乘风破浪—— 富国中证大数据产业 ETF 投资价值分析-20230228

②方正证券-杨晓峰（S1220522040001）-大模型“安卓时刻”：高质量数据为“胜负手”-20230331