韩国科学技术院（KAIST）与NVIDIA正推进韩语AI基础数据建设。双方计划在明年前构建逾100万条韩语AI训练数据，并建立配套的数据验证方法和评测体系，为韩国本土AI企业和研究机构提供可复用的数据基础。

11月10日，NVIDIA-KAIST AI联合研究所所长Kim Hyun-woo在位于首尔江南区的NVIDIA韩国分公司（NVIDIA Korea）接受采访时表示，研究所的阶段性目标是到明年至少生成100万条韩语训练数据，并以此夯实韩国AI生态所需的数据基础。

Kim Hyun-woo同时担任NVIDIA研究经理。自联合研究所设立计划于今年7月公布后，他已加入KAIST Kim Jaechul AI研究生院担任助理教授，并出任首任所长。他将韩国AI产业的发展比作森林生长：政府扶持和企业投资推动模型这棵“树”长大，但支撑其持续生长的数据“土壤”长期以来并未得到足够重视。

他指出，过去行业的关注点主要集中在模型本身，以及相当于阳光和水的图形处理器（GPU）和研究基础设施；下一阶段更关键的任务，则是补齐数据建设这一环节，推动AI生态持续发展。

明年构建100万条韩语AI训练数据，亦将用于K-EXAONE开发

据介绍，联合研究所将以韩语为核心推进合成数据生成研究，重点不只是扩充数据量，更在于挖掘现有数据的训练价值，摆脱将英文资料简单翻译为韩语的路径，转向更自然的韩语表达和更丰富的应用场景，以提升本土AI模型的实际能力。

研究所认为，如果合成数据中反复出现相似表达和近似答案，训练效果可能下降。因此，项目将重点提升韩语数据集的准确性和答案多样性，并建立评测指标，用于判断数据对模型训练的实际贡献。

在数据生成方式上，研究所也将采取差异化策略。除对现有文档进行改写外，还计划从人名等最小信息单元出发，先设定人物背景和情境，再分阶段生成长篇文档。Kim Hyun-woo表示，如何对生成的韩语数据进行有效筛选、剔除低质量内容并持续修订，是提升数据质量的关键。

高质量韩语数据集目前也有较高市场需求。Kim Hyun-woo基于NVIDIA Nemotron开发的韩语数据集“Nemotron Persona Korea”，已被用于LG AI Research的“K-EXAONE 2.5”开发。K-EXAONE 2.5是韩国政府推进的自主基础模型第二阶段项目衍生出的技术验证模型，并在此基础上进行了进一步训练。

Nemotron Persona Korea曾在Hugging Face热门数据集榜单上连续10天位居全球第一，同期下载量达到14万次。Kim Hyun-woo表示，后续还将持续提供有助于提升本土AI能力的韩语数据集。

为便于研究成果应用于韩国本土其他模型，联合研究所计划通过开源和论文等形式公开数据集及训练方法。Kim Hyun-woo表示，健康的生态应当由多种模型共同成长，研究所的目标是打造可供不同模型共享的数据与训练基础。

NVIDIA未来5年提供3亿美元支持，联合研究所启动招聘

该联合研究所的设立，建立在NVIDIA大规模投入基础之上。按照计划，NVIDIA将在最初5年内提供总规模3亿美元支持，涵盖GPU等AI算力资源及研究运营经费，其中AI算力资源支持规模达2.5亿美元。研究团队未来将通过NVIDIA在韩国的云合作伙伴使用GPU基础设施。

KAIST方面期待借助此次合作进一步提升其全球AI研究竞争力。除获得海外企业在经费和设备上的支持外，KAIST还将与全球顶尖研究团队共同发掘研究课题并共享成果。

Kim Hyun-woo表示，这一合作将为韩国研究人员提供更直接对接全球前沿研究的平台，使其能够与海外研究团队展开协作，参与前沿课题研究，并推动成果向产业界扩散。他同时强调，KAIST已具备世界级AI研究能力，位于美国圣克拉拉的NVIDIA研究人员今后也将与KAIST教授团队定期讨论研究方向。

目前，联合研究所正在招聘实习生和正式研究人员，计划于年内完成初期团队组建，并从明年起正式启动研究。根据安排，NVIDIA每年至少将支持10名KAIST研究人员，并提供NVIDIA实习机会。

Kim Hyun-woo表示，只有让KAIST学生积累直接使用数据并参与研究的经验，韩国AI生态的数据基础才能真正厚实起来。联合研究所希望推动韩国AI生态从“长出一棵树”，走向“多种树木与多元参与者共生的森林”。