10 月 1 日（周三），德国维基媒体协会（Wikimedia Deutschland）宣布推出一个新数据库，该数据库将让人工智能模型能更便捷地获取 *** 的海量知识资源。

　　这个项目名为 “维基数据嵌入项目”（Wikidata Embedding Project），其核心是对 *** 及其姊妹平台上的现有数据（包含近 1.2 亿条条目）应用基于向量的语义搜索技术 —— 这种技术可帮助计算机理解词汇的含义及词汇间的关联。

　　该项目还新增了对 “模型上下文协议”（Model Context Protocol，简称 MCP）的支持。MCP 是一套帮助人工智能系统与数据源进行交互的标准，结合这一标准后，大型语言模型（LLMs）可通过自然语言查询更轻松地获取相关数据。

　　此次项目由维基媒体德国分部牵头，联合神经搜索公司 Jina.AI 与 IBM 旗下实时训练数据公司 DataStax 共同开展。

　　多年来，维基数据（Wikidata）一直为维基媒体旗下平台提供机器可读数据，但此前的工具仅支持关键词搜索和 SPARQL 查询（一种专业查询语言）。而新系统将与 “检索增强生成”（Retrieval-Augmented Generation，简称 RAG）系统更好地兼容 ——RAG 系统能让人工智能模型调取外部信息，这为开发者提供了机会，使其模型可基于经 *** 编辑审核验证的知识构建。

　　此外，新数据库对数据的结构化处理还能提供关键的语义上下文。例如，在数据库中查询 “科学家”（scientist）一词，不仅会生成著名核科学家名单及曾任职于贝尔实验室（Bell Labs）的科学家名单，还会包含 “科学家” 一词的多语言翻译、经维基媒体审核通过的科学家工作场景图片，以及对 “研究者”（researcher）、“学者”（scholar）等相关概念的延伸关联。

　　目前，该数据库可在 Toolforge 平台上公开访问。维基数据还计划于 10 月 9 日为感兴趣的开发者举办一场线上研讨会。

　　当下，人工智能开发者正迫切寻找可用于模型微调的高质量数据源，此次新项目的推出恰逢其时。尽管训练系统本身已变得更加复杂（通常是复杂的训练环境，而非简单数据集），但它们仍需经过严格筛选的优质数据才能高效运行。对于要求高准确性的应用场景，对可靠数据的需求尤为迫切：尽管有些人可能对 *** 持轻视态度，但相较于 “通用 *** 爬虫”（Common Crawl，一种从互联网上大规模抓取网页的数据集）这类包罗万象的数据集， *** 的数据具有更强的事实导向性。

　　在某些情况下，对高质量数据的追求可能会给人工智能实验室带来高昂成本。今年 8 月，人工智能公司 Anthropic 就提出与一群作者达成诉讼和解 —— 这些作者的作品被 Anthropic 用作训练材料，Anthropic 同意支付 15 亿美元以了结所有侵权索赔。

　　维基数据人工智能项目经理菲利普?萨德（Philippe Saadé）在接受媒体采访时强调，该项目独立于主流人工智能实验室及大型科技公司。萨德对记者表示：“此次‘嵌入项目’的推出表明，强大的人工智能技术未必只能由少数几家公司掌控。它可以是开放的、协作式的，其构建目的应是服务于所有人。”