On the missing data layer and a potential solution

导读摘要

正文

这篇论文的核心判断是：拉丁美洲在 AI 基础设施上存在系统性缺口，具体表现为「数据集层」和「基准测试层」的双重缺失。所谓数据集层，指的是可供模型训练与评估使用的高质量、本地化数据资源；基准测试层则是用于衡量模型在特定任务上表现的标准测试集。论文将重点放在前者，试图回答一个基础性问题：当一个地区缺乏足够的数据资源时，AI 能力建设应当从哪里起步。

论文摘要中提到的解决方案框架在原文中仅展开了开头部分，完整的技术细节与实施路径「原文未提供」。但从其问题设定可以推断，作者关注的并非单纯的数据量问题，而是数据资源在区域间的分布不均——这与全球 AI 发展中反复出现的「数据殖民主义」讨论一脉相承：当训练数据主要来自少数发达地区时，模型对欠发达地区的语言、文化和场景理解能力会显著下降。拉丁美洲的西班牙语和葡萄牙语虽然在语言模型中有一定覆盖，但针对本地法律、医疗、教育等垂直领域的高质量标注数据仍然稀缺。

这一讨论与同期 arXiv 上另一篇论文形成了有趣的对照。阿斯利康（AstraZeneca）的研究团队在 8 月 14 日发布的论文中描述了其内部 LLM 系统「Research Assistant」，用于帮助科学家和临床医生探索生物医学问题（arXiv:2608.12395）。阿斯利康的案例展示了数据基础设施成熟的组织如何构建 AI 能力——它们拥有大量专有数据和明确的领域需求。相比之下，拉丁美洲的困境恰恰在于缺乏这样的数据积累起点，形成了一个「先有数据还是先有能力」的循环困境。

对于开发者而言，这篇论文提出的问题具有实际意义：在数据稀缺的环境中构建 AI 应用，需要不同于硅谷范式的策略，比如依赖迁移学习、合成数据或跨语言模型微调。对于政策制定者和研究机构来说，数据集层的缺失意味着公共投入的方向可能需要从「训练大模型」转向「建设基础数据资产」。论文将数据集层与基准测试层并列讨论，也暗示了一个更深层的观点：没有本地化的基准测试，就无法真正衡量 AI 在本地场景中的表现——这比单纯缺少数据更隐蔽，也更难被察觉。