GPT-NL：构建荷兰主权的语言模型

背景

随着基于语言的 AI 技术日益融入工作场所、教育及公共服务领域，其重要性不言而喻。然而，这种技术的控制权归属引发了根本性的担忧：谁来决定模型的运作方式？使用哪些数据？以及如何保障隐私、版权和透明度等公共价值？

在此背景下，荷兰应用科学研究组织（TNO）联合 SURF 和荷兰法医研究所（NFI），共同启动了 GPT-NL 项目。该项目的核心目标是构建一个独立的荷兰语言模型及其生态系统，旨在增强荷兰及欧洲的数字化自主权，并为负责任的 AI 应用奠定坚实基础。该项目由荷兰企业局（RVO）代表经济与气候政策部资助，总预算为 1350 万欧元。

核心内容

GPT-NL 致力于构建一个负责任的语言模型，其核心价值观可概括为四个维度：可信、透明、互惠和主权。

1. 主权（Sovereign）：掌控关键技术 GPT-NL 在荷兰和欧洲境内开发，确保对模型、数据及决策拥有完全控制权。此举旨在避免对非欧洲提供商的依赖，并投资于符合荷兰法律、价值观和社会目标的可持续 AI 生态系统。

2. 开放与透明（Open and transparent）：从源头到模型的洞察 透明度是 GPT-NL 的基石。项目团队详细记录了数据收集和训练过程中的决策，以及如何应对偏见和伦理风险等潜在问题。

• 开源代码：源代码以开源形式发布。
• 数据集洞察：分享关于数据集的详细见解。
• 受控许可的模型权重：模型权重在受控许可下提供，这使得团队能够知晓谁在使用模型，并在数据退出（opt-out）等情况下通知用户更新或变更。这种操作方式在不牺牲安全性和监管合规性的前提下实现了透明化。

3. 可信（Trustworthy）：保护用户与公民 GPT-NL 完全从头开始训练，避免了从现有模型中继承不清的数据来源、版权风险或潜在的个人数据。为确保可靠的基础，其数据收集遵循严格标准：

• 保护知识产权；
• 在模型训练前移除并匿名化个人数据；
• 排除机密信息；
• 排除有害内容；
• 避免数据集中的重复项。

4. 互惠（Reciprocal）：数据与价值的公平协议 GPT-NL 刻意采用清洁且合法的数据供应链，并与数据提供商紧密合作，使其积极参与模型开发。通过设立“内容委员会”（Content Board），数据提供商和权利持有人对 GPT-NL 的未来拥有话语权。部分收入将回流给创作者，从而创建一个价值共享而非单向提取的更公平的创新模式。

资源效率与公共问责 鉴于 AI 开发需要巨大的计算能力和能源，GPT-NL 积极关注能源效率和资源的负责任使用。基于科学研究，团队优化了模型大小和训练过程，并明确关注能源和水资源消耗。作为公共资助项目，GPT-NL 需对公众负责，体现了建立一个独立、可信且具有未来适应性的荷兰语言模型的重要性。

关键要点

• 多方协作：由 TNO、SURF 和荷兰法医研究所（NFI）共同开发。
• 完全从头训练：不依赖现有模型，从源头消除版权和个人数据泄露风险。
• 严格的清洗标准：数据收集包含去匿名化、去重、排除有害及机密内容等严格流程。
• 开源与受控许可结合：代码开源，但模型权重通过受控许可分发，以便追踪使用者并通知变更。
• 利益共享机制：通过“内容委员会”让数据提供方参与治理，并将部分收益返还给创作者。
• 绿色 AI 理念：在模型规模和训练过程中优化能源和水资源消耗。
• 公共资金支持：获得荷兰企业局（RVO）资助的 1350 万欧元，体现国家战略意图。

意义与影响

GPT-NL 展示了强大的 AI 能力与公共价值可以并行不悖。它不仅是一个技术项目，更是一种治理模式的探索。通过建立主权语言模型，荷兰试图在数字化浪潮中保持自主性，减少对非欧洲科技巨头的依赖。

这一项目为欧洲乃至全球提供了一种新的 AI 发展范式：即在追求技术创新的同时，通过严格的伦理标准、透明的数据治理和公平的利益分配机制，确保技术服务于公共利益。正如 TNO 产品经理 Saskia Lensink 在 Media Innovation Podcast 中所探讨的，即便预算仅为硅谷的一小部分，通过严谨的方法和对公共价值的坚守，依然可以构建出强大且负责任的技术基础设施，使荷兰变得更加强大、自主和公平。