图为多拉获得2026年“青海省最美科技工作者”称号。科技日报记者 张添福 摄

“请讲述格萨尔王的故事。”用户发出指令，对应内容即可生成，汉语、藏语与英语互译同步完成。这便是近期备受业界关注的智达藏语大模型。

今年，这款被称为藏文版“豆包”的人工智能大模型，上线仅一个月，人机互动量就超过1000万次。而在产品“出圈”之际，其研发团队负责人——青海师范大学教授多拉，走进了公众视野。

今年，多拉获评“青海省最美科技工作者”。

01

带团勇闯AI无人区

长期以来，藏语人工智能研发，近乎一片空白。

这不是没有原因的。藏语有安多、康巴、卫藏三大方言，上百种次方言和地方土语。各个方言差异大，有时相邻两个县的人都难以顺畅交流。除此之外，藏语书写系统独特，而且语料储备严重不足，国内没有成熟技术可以借鉴。

“这是全球人工智能研发最具挑战的领域之一，是一片无人区。”多拉这样介绍自己的工作。

这项任务，工程量浩大，相关人才稀缺，技术路径复杂。国内鲜有科研人员涉足，多拉说自己是“孤勇者”。

不过，多拉有他的底气。

这位在计算语言学与藏文信息处理领域摸爬滚打了大半辈子的学者，比任何人都清楚藏语的价值。

“那不是一串冰冷的语言符号，而是一个民族千年的记忆。”多拉说，如果这些声音不能在数字时代延续，将是一种怎样的失落？

“那就从零开始吧。”多拉对自己说，也对团队里的年轻人说。

02

兵分四路搜集语料

藏语大模型的根基是高质量的数据——语料。

2023年盛夏，多拉将团队成员分成四组，把他们派往青海6个自治州、甘肃甘南和四川阿坝。

那是真正的一线。牧区的帐篷里，老人们用口音浓重的藏语讲述着古老传说；县城档案馆里，泛黄的地方文献落满灰尘……这些声音和文字，几乎没有被认真、系统地记录过。

多拉和团队成员带着录音设备，带着尊重和耐心，一点点采集语料。有些地方要骑马才能到达，有些方言只有七八十岁的老年人才说得地道，有些口音之间的细微差别需要反复比对、确认。

“每500小时的语料，就需要47万个句子来支撑。”多拉说这话时，语气平淡。

没有人知道，这些数字背后是一个个不眠夜。高峰时期，97名数据标注人员同时开工，昼夜轮转。多拉白天授课、统筹实验室运转，夜晚伏案钻研技术难题。团队成员劝多拉休息，他却摆摆手说：“数据不等人，方言不等人，那些年逾古稀的老人们，也等不了。”

03

扛起文化传承重任

在多拉眼中，团队的科技成果就像自己的“孩子”。很多人不知道，智达藏语大模型不是多拉的第一个“孩子”。

多年前，他主导研发的云藏搜索引擎，被称为藏文版“百度”，服务全球90多个国家和地区的用户。

多拉的“孩子”还有很多。他主导制定了《信息处理用藏文分词规范》《信息处理用藏语词类标记集》等5项国家标准，让藏文信息处理有了统一标准。

如今，多拉和团队又有了新任务——把121种藏语次方言“装”进智达藏语大模型。这意味着，他们的采集“版图”要从现有的三大方言区，向那些地图上不易找到的角落延伸——雪山脚下的牧村、河谷深处的寨子、只有几十户人家的偏远定居点。

“我们不仅要让藏语实现数字化，而且要让每一种方言土语，无论大小，都有自己的数字声音。”多拉说，“这不仅是研发任务，而且是一份责任。”

来源：

中国西藏网