训练数据量是一个非常重要的因素。

本轮AI的技术革命有两个非常明显的特征：

1、天花板非常明确：现有的训练方式无法训练出强人工智能，也就是说，科幻作品中看到的那些具有自主意识的AI，本轮是看不到了。

2、代价非常明确：要想得到好的训练效果，需要大量的数据。

最近火出圈的无论是novelAI，还是ChatGPT，都建立在大量喂数据的基础上。

而国内用于训练的数据量，是远远不足的。

一方面，中文的数字化资料在体量上就低于英文的数字化资料一个数量级。

另一方面，则是因为审查的原因。

国内的审查边界比较模糊，很多时候不知道触犯了什么规则，安全起见文字内容就被审查了，这其实降低了中文数字信息的信息量。

对于AI而言，你无法用不存在的训练集，告诉它什么不该说，它因此也不知道什么该说。

比如，如何让AI正常讨论社会主义核心价值观里那两条比较敏感的内容，同时不触碰审查边界？

最终的结果很可能是这样的：

填写图片摘要（选填）

填写图片摘要（选填）

当然，这仅仅是国内AI技术在通用场景的大模型上存在的限制，在一些特定场景的小模型上，比如智能客服回复等，上述劣势并不明显，还是有很多做好的的机会的。