来源：传媒内参—温静聚焦

10月10日，中央广播电视总台"国家品牌可信语料平台"在京启动，计划2027年1月1日正式发布；几乎同一时间，上海报业集团的上海主流价值语料库、上海百科语料库、上海廉洁文化语料库领到了《数据（产品）知识产权登记证书》——用上观新闻的话说，数据有了"身份证"。

一边是国家级语料平台开工，一边是媒体语料资产第一次确权。两件事碰在一起，指向同一个正在发生的变化：从中央媒体到地方媒体，一场关于语料库的新基建正在展开。

把时间轴往前捋，这条线已经相当清晰：5月26日，人民网发布"媒体语料服务平台"；6月26日，新华社"新华语典"上线，底座是数千亿字高质量语料库；总台《人工智能发展白皮书（2025版）》提出，在节目制播中同步完成海量视音频数据的清洗、分类和标签化，形成多模态语料库，支撑"央视听媒体大模型2.0"；往地方看，四川日报报业集团"若水"省情语料库把巴蜀特色资源纳入其中，湖南省部署以马栏山文创园为核心构建全省音视频语料资源池。总台新发布的AI传播服务方案里，还出现了品牌事实库、公共证据库这样的新板块。

这些项目有个共同点：都不直接面向读者和观众。没有版面，没有直播间，普通受众几乎感觉不到它们的存在。而这恰恰是这轮"新基建"最值得琢磨的地方——过去两年，媒体拥抱AI的作品大多长在台前，AI主播、AI动画、AI短剧，个个热闹；语料库却是安静的，它不生产一条可供阅读的内容，却决定着所有AI内容的地基。行业显然已经想明白了一件事：AI时代的媒体竞争，一半在台前，一半在地下，而地下那一半，刚刚开始动工。

报道发出去，只是半成品

要理解语料库为什么重要，得先破除一个误解：把媒体语料库等同于媒资库。

中央民族大学郭全中教授在访谈中给出一组清晰的概念区分：媒资库是媒体几十年积累内容的"仓库"，语料库是经过初步整理的"数据原料"，高质量数据集则是为训练AI精加工的"教材"。这个三分法点破了关键——电子化不等于数据化。几十年报纸稿件、照片、节目完成数字化存档，机器依然"看不懂"它们；只有经过清洗、分类、标注、结构化，把人能读懂的内容转成机器能学习的数据，仓库里的存货才算进入AI的生产体系。

换句话说，一篇报道在报纸上见报、在客户端推送，只是完成了"第一次出版"——面向人的出版。在AI时代，它还有第二道工序：被结构化、被标注、被纳入语料体系，成为模型可以调用的知识——这是"第二次出版"，面向机器的出版。没有第二次出版，再权威的内容在AI眼里也只是网页上的字符串；完成了第二次出版，三十年前的深度报道依然能在今天的AI答案里发挥作用。

新华社的实践给出了"第二次出版"的规模感：据新华网报道，"新华语典"已建成数千亿字高质量语料库，构建了包含千余个专业标签的四级标签体系——这个数字意味着，数十年新闻生产的历史积累，正在被重新组织成机器的知识结构。到9月，这个口径已更新为"超万亿字"。总台的白皮书则把这件事制度化：今后节目一制作完成，视音频数据就同步完成标准化清洗、分类与标签化——第二次出版不再是事后的补救，而是生产流程的一部分。

权力从"入口"回流"地基"

媒体为什么现在集体做这件事？因为AI改写了内容产业的权力结构。

平台时代，媒体的焦虑集中在"入口"：分发渠道掌握在平台手里，媒体辛辛苦苦生产内容，流量和广告的大头却归了渠道，媒体在产业链上被"管道化"。媒体与平台缠斗多年，难有解法。

AI时代出现了一次罕见的权力回流。人民网党委书记、总裁范正伟在发布"媒体语料服务平台"时点破了要害：随着AIGC普及，"生成即传播"成为新的信息触达模式——无论算法还是语料，都关乎大模型的政治方向、舆论导向和价值取向。这句话的分量在于：当越来越多人从AI对话框里获取信息，AI"学了什么"就直接决定了几亿人"知道什么"。而AI学了什么，取决于语料。

于是，产业链的话语权第一次从分发端向生产端回流。过去是媒体求平台给流量；未来是模型求语料给确定性——豆包、DeepSeek们再强，遇到时政表述核校、权威信源溯源这类问题，也必须依赖专业机构整理过的数据。新华社"新华语典"上线三个月签约客户覆盖全国31个省级行政区，说明这种需求是真实存在的。

政策的节奏也在印证这一点。2026年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》，这是国家层面首次对数据赋能人工智能发展作出系统部署，提出实施强基扩容、标注攻坚、提质增效等六大专项行动，明确到2028年底建成一批经过应用验证的行业高质量数据集。国家数据局局长刘烈宏在世界人工智能大会语料创新论坛上披露，截至2026年6月底，全国已建成高质量数据集12万个，总体量超过1565PB。把时间线排在一起看：人民网5月发布平台、新华社6月上线智能体、国家数据局6月初印发方案——媒体的集体动作不是抢风口，而是与国家部署同频。媒体手里最值钱的，恰恰是方案里最稀缺的东西：经过专业核验、可信、成体系的数据。

语料库真正出售的，是"确定性"

那么，语料库这门生意的本质是什么？——确定性。

AI行业当前最深的焦虑，不是算力不够、参数不足，而是不确定性。新华社为"新华语典"立项时概括的三大用户痛点——幻觉之困、信源之乱、立场之惑——本质上全是确定性问题：答案对不对、出处有没有、立场稳不稳。深圳市龙岗区一位参与培训的干部对"新华语典"的评价很传神："大模型解决的是'怎么写'的效率问题，'新华语典'解决的是'写什么才准'的方向问题。"

生成能力正在快速通胀，确定性却始终稀缺。通用大模型可以生成一万篇流畅的文章，但时政表述错一个字就是事故；它可以模仿任何文风，但不能保证信源可靠。而确定性恰恰是媒体几十年的看家本领——核实、署名、把关、更正，整套流程就是为了产出"可以说准的内容"。语料库把这套本领产品化了：媒体出售的不再是稿件，而是经过验证的事实、规范的表述、可靠的价值坐标。这几乎是媒体历史上第一次，把"可信"本身变成了可交付的产品。

更关键的是"产权锚"。人民网"媒体语料服务平台"集成了五大工具——云基座、加工器、标准尺、安全盾、产权锚，其中"产权锚"由人民数据提供语料产权管理方案。这五个字值得单独说：过去两年，媒体在AI时代最大的委屈是内容被海量抓取却无署名、无回报——有媒体研究者统计，某新闻网站单日机器流量约为人流量的45倍，而国内大模型对权威媒体内容的引用率长期偏低。"产权锚"的意义在于，媒体的内容对AI的价值第一次可以确权、可以计价、可以交易。确定性从美德变成了资产，这是商业模式层面的真变化。

这条路已经有了先行者。开头提到的那三张登记证书，分量正在于此：上海报业集团的三个语料库覆盖百万级媒体语料，登记证书为集团积累数十年的媒体资源数据赋予了官方确权效力，此后的对外授权、交易流转、质押融资、资产入账，都有了明确的制度依据。从主流价值到城市百科再到廉洁文化，上报集团的语料体系正沿着垂直领域持续做深，其"可信内容枢纽"的目标只有一句话："让问答可以被信任，让答案都有据可查。"确权不是终点，而是价值释放的起点。

三个提醒

热潮之下，有三点需要保持清醒。

第一，别把媒资库贴牌成语料库。真正的门槛不在存储量，而在标注质量与结构化程度——千余个专业标签的四级体系，背后是专业编辑的判断力，这是钱堆不出来的部分。一哄而上把档案室改名叫"语料库"，只会制造虚假繁荣。

第二，通用语料不值钱，特色语料才有溢价。通用知识网上有的是，真正稀缺的是独家、垂类、有地方辨识度的数据。"若水"省情语料库把四川政务数据和藏语语料纳入其中，走的就是差异化路线；"新华语典"深耕时政颗粒度，并把语料共建计划延伸到工业互联网——垂类深耕比盲目做大更有前途。

第三，安全与流通必须同时解决。语料的合规流通是行业级难题，人民网引入源自清华大学的密态计算技术，思路是让语料"可用不可见"——数据在加密状态下被调用，价值流出去、原件不搬走。这个方向值得全行业跟进，否则语料交易要么因噎废食，要么埋下风险。

从中央媒体到地方媒体，这场安静的集体动工，本质是媒体在AI产业链上的一次重新选址：从求人给流量，到自己打地基。央媒打的是国家级的地基，省媒打的是一方水土的地基，打法各异，方向相同。

地基挖得深不深，短时间看不出来。但楼能盖多高，从来都是地基说了算。

来源：温静聚焦

链接：https://mp.weixin.qq.com/s/9ZKnvMrjsDMHEMxMzWaY2A

编辑：陈梓函