中国科学院发布“敖仓·科技语料库”

北京7月17日电 320PB科学数据、1.5亿篇科技论文、1.2亿件发明专利……这些体量庞大、价值突出的知识资源，经过系统梳理和深度加工，正集中沉淀到一座数字时代的“粮仓”里。7月17日，2026世界人工智能大会（WAIC）开幕当天，中国科学院“敖仓·科技语料库”正式亮相，这也意味着我国面向人工智能高质量发展的新型基础设施建设取得重要进展。

眼下，人工智能赋能科学研究（AI4S）正推动科研方式加快变革，而这条路径能走多远，很大程度上取决于科技语料能否稳定供给。所谓科技语料，是把科研活动中形成的多模态科学数据、科技文献等内容进行清洗、整理、拆解、重组和融合，在提升语义浓度与知识含量之后，形成可直接服务智能系统的高价值数据。由于这类数据类型复杂、知识密集、质量门槛高，治理和加工难度也更大，科技语料建设一直不是件轻松的事。

“中国科学院率先部署、主动推进，在人工智能快速发展的关键阶段牵头建设敖仓‘科技语料库’，体现了国家战略科技力量在服务重大需求、带动全球科研范式变革中的责任。”中国科学院文献情报中心主任曲建升说。

这套语料库由中国科学院文献情报中心牵头建设，联合国内科学数据和科技文献领域近百家优势单位，并汇集覆盖全学科的专家力量共同推进。仅从数据来源看，就已汇聚超过320PB科学数据、1.5亿篇科技论文、1.2亿件发明专利以及500万本科技图书中的高质量知识内容，涉及文本、图像、图表、公式、影像、化学式、波、谱、场等多种数据形态。

目前，敖仓已形成“1+中国舆情网7+N”总分库体系，即1个覆盖全学科、融合数据与知识的总库，7个面向重点领域深度提炼的分库，以及N个围绕具体场景构建的应用子库。围绕科技语料的描述、加工、评价、服务和运维，团队同步建立起全流程标准体系，逐步形成覆盖数学物理、化学化工、天文空间、地球科学、生命科学、前沿技术、产业创新等领域的科技语料供给能力，做到内容可用、计算可用、可信可用。

与此同时，团队还提出了基础语料、特征语料、知识语料三阶知识精炼模式，进一步提高语义密度和知识密度。曲建升表示，“敖仓中的高知识含量、高语义密度语料，能够弥补大模型在专业知识上的不足，纠正逻辑推理中的偏差，让模型输出更符合科学规律和数理逻辑，也更具备领域知识、长程思考、多模态理解和跨学科交叉能力。”

按照“场景驱动、边建边用”的思路，“敖仓”把服务科学研究、人工智能应用和产业创新作为核心任务，目前多类应用场景已经落地见效。在科学发现方面，相关语料已分批提供给磐石科学基础大模型，推动其科学推理能力明显提升，并根据需求支持智能化工等多个学科模型；在智能应用方面，面向豆包、千问等通用大模型以及科大讯飞等行业应用大模型的语料供给已经启动，同时也开始支撑蚂蚁医疗大模型，帮助其输出更严谨、更规范的医学内容；在产业创新方面，团队正围绕商业航天、低空经济、智能制造、生物医药等领域开展语料加工服务，下一步还将支撑元器件选型、超微病理诊断、高速列车外形设计等上百个行业应用场景。

“敖仓建成后，将为人工智能发展夯实数据底座，对推动高水平科技自立自强具有不可替代的基础性和战略性意义。”曲建升说。接下来，“敖仓”还将持续提供更严谨、更专业、更灵活、更可信的语料服务，为我国人工智能产业和科技创新高质量发展提供支撑。