近日，谷歌Google AI發布了一個名為SANPO的發布數據集。這個多屬性視頻數據集包括真實世界數據和合成數據，視頻數據數據數據長月燼明支持各種密集預測任務。包含發布公告中指出，現實數據集將在未來用以幫助開發視覺導航系統，合成幫助視力受損者，谷歌并推動視覺場景理解領域的發布發展。

此次發布的視頻數據數據數據數據集SANPO包括真實數據（SANPO-Real）和合成數據（SANPO-Synthetic）。其中，包含真實數據集包含701個會話，現實使用兩個立體攝像機錄制，合成總計11.4小時的谷歌視頻。而合成數據集SANPO-Synthetic則包含使用虛擬化 Zed 攝像機記錄的發布 1961 個會話，所有會話都具有精確的視頻數據數據數據長月燼明相機姿勢軌跡、密集像素精確深度圖和時間一致的全景分割掩模以模擬真實場景。 

“由于硬件、算法和人為錯誤，現實世界的數據具有不完美的真實數據標簽，但合成數據可以定制，可以提供近乎完美的‘真實數據’?！毖芯繄F隊在公告中介紹，SANPO-Synthetic是谷歌與合成數據生成公司Parallel Domain合作，創建的，將作為SANPO-Real的補充。 

據介紹，與此前的重要視頻數據集如SCAND、MuSoHu、Ego4D、VIPSe等相比，SANPO具備同時擁有全景分割和深度圖、數據集內涵蓋真實數據和合成數據等優勢。 

數據是數字經濟時代的“新石油”，人工智能技術商業化進程加速亦難離優質數據的驅動。在新一輪AI浪潮下，數據成為各類企業的“必爭之地”。 

由于可能存在缺失、噪聲、重復等情況，從數據源收集而來的數據并不能直接用于大模型訓練，需要經過清洗、標注等工序后，生成可供大模型使用的數據集，再與算法、算力等結合，共同支撐起大模型的運轉。

國盛證券研報指出，高質量的數據集決定了AIGC質量與商業模式。數據集可以被視作是生成式人工智能的“糧食和血液”，國內外在發展這一領域上都做出了不少努力。 

不久之前，谷歌的DeepMind團隊開放了一個名為Open X-Embodiment的大型共享數據集。據介紹，這是迄今為止最大的開源真實機器人數據集，通過匯集 60 個現有機器人數據集構建而成。它包含超過 100 萬條真實的機器人軌跡，涵蓋 22 個機器人實施例，展示了 527 項技能（160266 項任務），從單機器人手臂到雙手動機器人和四足機器人。 

而國內多地都曾發布相關政策以求推動建立高質量數據集。上海市就于去年10月發布《上海市促進人工智能產業發展條例》，指出要推動人工智能領域高質量數據集建設。今年5月，《北京市促進通用人工智能創新發展的若干措施（2023-2025年）（征求意見稿）》指出，要提升高質量數據要素供給能力，歸集高質量基礎訓練數據集；深圳也在6月發布的《深圳市加快推動人工智能高質量發展高水平應用行動方案（2023—2024年）》提到要搭建全市公共數據開放運營平臺，建立多模態公共數據集，打造高質量中文語料數據等。 

來源：21世紀經濟報道

作者：馮戀閣 李奕君