让AI-Ready数据触手可及！@U35何聪辉为下一代大模型构建数据基座

他们用科研“整活”，也能改写未来！

近日，第五届“上海科技青年35人引领计划”（u35）揭晓35位入选者和15位提名奖得主。在ai、生物医药、量子信息、低碳能源等前沿交叉领域，他们敢想、敢做、敢于挑战。

上海科技推出u35系列专题，走近这些“90后”科技人才。听他们讲讲科研里的b面人生，看他们如何定义下一轮创新潮汐的起点。

2025年u35

当代科技青年图鉴

他们的研究有何价值？

35岁对他们来说意味着什么？

科研带给他们的变化是什么？

让我们走进本期u35

本期嘉宾

@何聪辉（上海人工智能实验室）

上海人工智能实验室青年科学家，长期深耕高性能计算与ai数据基础设施的交叉前沿，致力于构建面向通用人工智能的下一代数据基座。在计算机科学顶级会议上发表论文逾150篇，曾获戈登·贝尔奖（高性能计算应用最高奖）等多项国际顶级荣誉。其打造的智能文档解析引擎miner u，发布一年斩获5万github星标，其中omnidocbench作为唯一中国团队成果获gemini3.0官方收录验证；此外，他构建了大模型开放数据平台opendatalab，已为全球100多个国家提供400万次数据服务，为agi（通用人工智能）的演进筑牢了关键的数据基石。

科学理想：

“打通数据通往智能的桥梁，让ai-ready数据触手可及。”

世界科技前沿

科研关键词：

大模型、ai数据基础设施、高性能计算

在人工智能高速发展的当下，数据和算力已成为驱动创新的关键资源。然而，如何将海量杂乱的数据转化为大模型真正可理解、可学习的内容，让ai真正看懂人类世界，却是行业面临的核心议题。

对此，上海人工智能实验室青年科学家何聪辉提出一个生动的比喻：“我们的工作，就像在人工智能领域搭建一座‘超级炼油厂’。”他将互联网与人类文明中的海量原始数据比作“原油”，而ai大模型则是高性能“发动机”，“如果把充满杂质的原油直接倒进这样一个精密的机器，大模型就会跑不起来，甚至坏掉。”何聪辉解释道。

为了将多模态的数据“原油”，提炼为ai可读的高质量“燃料”，何聪辉带领团队采用“ai自动化清洗数据”的思路，通过引入高性能计算技术，构建了可快速处理千亿级规模的数据基座，“让大模型跑得更快、更准，也让真正ai-ready的数据对训模型、用模型的人触手可及。”

基于这一强大数据基座，上海人工智能实验室还开源了“书生”系列大模型，走通了“通专融合”的技术路径。系列模型不仅具备通用推理与多模态理解能力，更在生命科学、物质科学等专业领域展现出超越一般模型的深度认知与解题能力，真正实现了以高质量数据驱动前沿创新。

快问快答

@上海科技

作为程序员，您如何看待“35岁”的年龄梗？

@何聪辉

虽然很多人调侃“程序员35岁失业”，但在我看来，35岁是经验和体力结合最好的时期。并且非常幸运的是我们正赶上ai的黄金时代，我认为我们这代人恰恰在此时迎来了施展拳脚的最大空间。

@上海科技

搭建数据基座时最大的难点是什么？您和团队是如何解决的？

@何聪辉

最大的挑战是在极短时间内处理极其庞大且多样的数据。

由于数据的模态千差万别，全靠人工“清洗”很难干完，所以我们训练了一个ai模型，用ai代替人工自动处理数据，可以说是“用魔法打败魔法”。解决单份数据后，更大的挑战在于如何实现百亿、甚至千亿规模的数据高效处理。因为我原来是研究高性能计算、超算领域的，于是我就把相关方法迁移过来，把数据处理任务变成了一个高性能计算问题。

最终，我们让训练出来“最聪明”的模型跑在了最高效的算力架构上。

@上海科技

在您开源的众多大模型工具中，哪一款让您印象深刻？为什么？

@何聪辉

在我主导的工作中，有一款开源的miner u工具，能够把各种文档数据转化成ai可用的数据。

让我特别意外的是，这个工具发布后的反响远超我们团队预期。仅仅一年时间，github星标数就涨到了5万，每天用户调用量接近千万次，热度甚至超过了不少国内的模型。现在像华为、字节、腾讯等很多企业都在实际应用它。这种“用脚投票”的认可，让我觉得自己的工作真正为社会创造了价值，不仅是科研中做好了一个模型，特别有成就感。

@上海科技

ai发展日新月异的今天，作为相关从业者您有没有感到诧异的部分？

@何聪辉

现在的ai非常智能，我们常讨论“具身智能”的未来。但某种意义上我觉得现在人变成了“具身”，而ai则成为了“智能”。越来越多人开始习惯听取ai的建议，并将其落实到日常决策与行动中。这意味着我们已提前进入了一种“人机共生”的状态。这虽然让我们的生活变得高效，但我认为也是一件需要我们谨慎对待的事。

@上海科技

在上海做科研，您有怎样的感受？

@何聪辉

2022年底chatgpt掀起浪潮时，我觉得必须和团队坐在一起全力投入这项变革性的事业，于是从深圳来到上海，为构建ai-ready大模型数据基础设施奋斗。我觉得上海在开源方面的精神和我长期从事的工具、数据开源工作很像，这里海纳百川的开放与立足长远的务实风格，为我们下一代数据基础设施的研发提供了良好的沃土。

“上海科技”出品，转载请注明来源

企业及专家观点不代表官方立场

作者：朱文莹

拍摄、后期：gina.z

上观号作者：上海科技