大模型賦能標準數字化應用的路徑思考與發展建議

摘要：【目的】大模型技術能有效推進標準數字化的深入發展，對標準數字化轉型有重要的意義。【方法】通過文獻分析、文本挖掘、定性分析等方法，探討大模型在標準數字化領域的應用前景，總結大模型在標準數字化領域的應用現狀，并基于小樣本國家標準數據集初步探索大模型在特定標準數字化場景中的應用效果。【結果】提出大模型賦能不同層級標準數字化應用的技術路線圖，并針對大模型的潛在問題給出了大模型在標準數字化應用中的發展建議。【結論】從大模型的角度出發，為標準數字化的深入發展提供一定的技術性參考。

關鍵詞：大模型；標準數字化；標準語料；標準智能體；人工智能

DOI編碼：10.3969/j.issn.1674-5698.2025.06.004

0引言

隨著數字經濟時代的到來，標準數字化轉型已經成為國內外標準領域的重大戰略發展方向，目前普遍將實現機器可讀標準視為標準數字化轉型的核心[1]。近年來，我國圍繞標準數字化的頂層設計、基礎建設、應用場景等方面陸續開展了一系列研究[2]。在眾多信息技術中，人工智能已成為標準數字化轉型的關鍵核心技術之一[3]。隨著標準數字化技術路線不斷完善，人工智能在標準數字化中的應用深度和廣度也在不斷拓展。作為人工智能領域的新興技術，快速發展的大語言模型（Largelanguagemodel，LLM）技術已一躍成為賦能行業發展的焦點。大語言模型，簡稱為“大模型”，是一種包含千億級參數且在大規模、多模態語料庫上預訓練而得的大型深度學習模型[4]。它的出現標志著自然語言處理和生成進入了新階段[5]。與以往的深度學習模型相比，大模型具有較強的涌現（Emergent）能力，其優勢主要來自思維鏈（Chain-of-Thought，CoT）、知識蒸餾[6]、基于人類反饋的強化學習（ReinforcementLearningfromHumanFeedback，RLHF）等技術。自OpenAI在2022年發布ChatGPT后，國內外的大語言模型呈現迅猛發展之勢，開啟“百模大戰”。以DeepSeek為代表的國產開源大模型在2024年底迅速崛起，帶領國產大模型進入新一輪的發展歷程。作為新質生產力的重要組成部分[7]，大模型在標準領域的應用已是大勢所趨。如何在標準數字化轉型浪潮中把握好大模型的“東風”，加快標準數字化轉型的步伐，已成為當前標準數字化工作的焦點之一[8]。

本文主要探討大模型在標準數字化領域的應用前景，總結大模型在標準數字化領域的應用現狀，并以小樣本國家標準數據集為例，初步分析大模型在部分標準數字化場景中的應用效果，針對大模型的潛在問題，提出大模型在標準數字化應用中的發展建議，以期能夠為標準數字化轉型提供一定的技術參考。

1大模型在標準數字化領域的應用前景

標準是一種經由相關方協商一致、按照特定程序所制定的可共同和重復使用的技術性文件[9]。當前與標準存在密切關聯的標準衍生數據主要有相關政策文件、專利文本、論文、法律法規、標準體系、產品信息等。由此可見，當前的標準文本及其衍生數據以文本和圖片模態的數據為主。截至目前，國內外已發布一系列基礎大模型和行業垂類大模型。大模型的能力圖譜已經涵蓋了常規數據模態的處理能力，包括文本生成、語音識別、視頻生成、圖像理解等，已具備實現標準數字化應用的能力基礎。

從標準文本及衍生數據的機器可讀水平出發，基于信息管理領域DIKW模型的4層結構[10]，將標準數字化工作由低到高依次劃分為標準數據獲取層、標準數據建設層、標準知識管理層和標準應用場景層，其水平分別與DIKW模型的數據（Data）、信息（Infomation）、知識（Knowledge）、智慧（Wisdom）相對應。根據目前國內外常見大模型的能力特點，圍繞標準數字化的發展需求，提出大模型賦能不同層級標準數字化應用的技術路線圖，見圖1。

1.1標準數據獲取層

標準數據獲取層處于DIKW模型的數據層級，旨在獲取標準文本數據、直接來自標準文本的標準衍生數據及標準文本以外的標準衍生數據。

在標準數據獲取層，大模型能夠參與標準文本及標準衍生數據的獲取，通過多模態數據的處理能力解決當前部分標準在高質量語料數據獲取上存在的問題。與國外標準相比，目前我國的國家標準和行業標準大多以紙質文本和掃描件PDF文本等非結構化的形式流通，機器可讀等級較低。為了獲取上述格式的標準文本內容，通常需要采用光學字符識別（OpticalCharacterRecognition，OCR）工具將非結構化標準文本轉化為機器可讀取和可操作的電子數據形式[11]。標準中的技術信息通常以公式、指標數值等細粒度的數據形式出現，部分標準的插圖也蘊含關鍵的技術信息，但此類圖像數據長期以來大多未能得到知識化加工。傳統的OCR技術在自動識別上述類型的數據時準確度不夠高，泛化能力不足，已無法充分滿足掃描件PDF文本的數據獲取需求。與以往的OCR工具相比，基于大規模預訓練而來的大模型具有更強的泛化能力，在跨語種和多模態的復雜文檔識別上表現更優異。將特定的大模型應用于非結構化標準文本，將有效解決現階段機器可讀能力低水平標準的痛點，從而提升標準語料數據的獲取質量，為標準數字化工作奠定更為堅實的數據基礎。

1.2標準數據建設層

標準數據建設層處于DIKW模型的“信息”層級，其目的在于打造和儲存源自標準文本及標準衍生數據的語料庫。

在標準數據建設層，以文本挖掘與生成能力見長的大模型能夠優化和加快標準語料數據庫的構建。近年來，大模型賦能的語料庫建設已在圖情領域取得一定的實踐成果[12]。就標準文本的功能屬性而言，標準是科技文獻的一大分支，與圖情領域密不可分。本文根據標準語料數據的類型，將常見的標準數據資源劃分為標準全文語料庫、標準核心要素語料庫、標準元數據語料庫和標準業務數據語料庫。其中，標準核心要素語料庫包括直接和間接來自標準原文數據的核心要素；標準元數據語料庫涵蓋了標準編目、標注、訓練數據等方面的元數據；標準業務語料庫與標準應用相關，以標準業務的用戶數據為主。

對于標準核心要素語料庫的構建而言，在大模型時代之前，直接來自標準原文數據的核心要素通常有3種收集渠道：（1）標準題錄數據，以標準號、標準名稱、標準實施時間等不深入涉及標準技術信息的核心要素為主；（2）通過基于規則和深度學習相結合的命名實體識別（NamingEntityRecognition，NER）技術抽取標準文本中的術語、指標、范圍、規范性引用文件等核心要素，其中標準指標在標準文本中的分布位置和構成形式較為復雜，是標準核心要素語料庫構建的一大難點；（3）采用傳統機器學習方法獲取基于標準原文數據的核心要素，這一類要素以標準主題關鍵詞為典型代表，可采用文本挖掘中的潛在狄利克雷分配（LatentDirichletAllocation，LDA）模型獲得。相比以往的深度學習模型和傳統機器學習模型，大模型在長文本的自然語言處理上優勢顯著，主動學習能力更強，可通過微調迅速適應全新的領域[13]。標準是一種橫跨不同專業領域的技術性文本，大模型的上述優勢能節省標準命名實體識別在跨專業領域上的訓練成本，其自然語言生成能力也能在標準主題關鍵詞等生成式的核心要素獲取上得到充分應用。

1.3標準知識管理層

標準知識管理層處于DIKW模型的知識層級，旨在建立不同標準語料之間的關聯性，構建標準知識圖譜，將不同類型的標準語料進一步轉化為機器可理解的標準綜合知識庫，并開展標準知識管理與數據治理。其中，標準知識圖譜是對標準知識進行重組并建立關聯性關系的新型結構化知識庫[14]，主要涵蓋來自標準文本和標準文本衍生數據的知識；而標準綜合知識庫則是在標準知識圖譜的基礎上與大模型技術深度結合后優化而成的知識庫[15]。

在標準知識管理層，大模型能參與標準知識圖譜的構建與應用，整合源自標準文本及衍生數據的標準知識，形成更為豐富、全面的標準知識網絡，加強標準綜合知識庫的建設，提升標準知識圖譜的應用效能。具體而言，標準知識圖譜的構建流程通常包括知識抽取、知識表征、知識融合和知識推理[16]。與基于規則的自然語言處理技術和以往的深度學習模型相比，大模型在語義理解、內容生成上具有較強的通用能力。近來科技情報領域的知識融合研究顯示了大模型在知識融合上的優勢[17]。在標準知識融合中采用大模型技術能提升標準知識融合的效率。大模型與知識圖譜的有機結合也逐漸成為構建高質量知識庫的全新方式。將大模型與標準知識圖譜深度結合，能有效降低大模型的“幻覺”現象，以共同協作的方式打造的標準綜合知識庫也可作為優化大模型性能的重要輸入，從而進一步提升大模型在標準數字化中的應用效果。

1.4標準應用場景層

標準應用場景層處于DIKW模型的智慧層級。當前大模型技術主要以人工智能體（AIAgent）為載體實現落地應用。隨著人工智能體的框架愈發成熟，知識智能體化的趨勢愈發明顯。基于大模型的人工智能體已成為大模型近來的重要發展方向。它以大模型為核心控制器，通過整合規劃、記憶等不同模塊的組件[18]，基于自主規劃的指令完成任務。人工智能體的一大優勢在于能夠將復雜場景簡單化，將復雜的應用場景分解為可復用、可推廣的簡單子任務。

在標準應用場景層，大模型將通過人工智能體的方式，面向標準業務打造具體的標準應用場景，主要包括標準智能編寫、標準智能翻譯、基于標準全文或核心要素的標準智能比對、標準體系智能構建、標準決策輔助、標準查新輔助、標準輿情智能追蹤與分析、標準業務數據智能分析與診斷、標準用戶畫像自動構建與分析等。

2大模型在標準數字化領域的應用現狀與探索

2.1大模型在標準數字化領域的應用現狀

鑒于標準是具有版權保護的技術性文本[19]，目前標準數據資源尚未被國內外大多數大模型納入語料訓練的范疇。當前大模型技術在標準數字化領域的應用尚處于起步階段，聚焦標準領域的行業垂類大模型數量較少，大多采用直接調用或微調大模型的應用方式。

在行業垂類大模型的構建與應用方面，作為國內知名的知識服務提供機構，同方知網于2024年4月正式發布了中華知識大模型2.0版本（簡稱為華知大模型2.0），并與中國標準出版社聯合制定了面向標準領域的中華標準大模型。截至2025年2月，中華標準大模型的功能尚未全部上線。根據其官網信息可知，該模型以華知大模型為底座，其數據資源涵蓋大量國家標準、行業標準、地方標準、團體標準及部分規程規范，以標準知識問答為核心能力，打造標準文檔輔助閱讀、標準文件智能寫作、智能翻譯、標準比對等功能應用。

在直接調用或微調大模型開展相關應用方面，鄭佳明等[14]提出了適用于船舶標準領域的大模型與知識圖譜的融合應用方法。該方法能有效發揮大模型輔助知識圖譜構建和知識圖譜輔助大模型研發的雙向增強作用，為其他領域的標準數字化建設提供了一定的技術參考。王立璽等[8]總結了中國電子技術標準化研究院在開展大模型應用實踐方面的初步成果，包括知識標注、檢索增強、智能問答、內容生成、閱讀輔助理解、技術要素比對與分析等方面。從中可見，大模型在標準細粒度知識抽取與標注、標準內容語義理解與摘要生成等任務上取得明顯成效。

2.2基于大模型的國家標準數字化應用的初步探索

標準的中文名稱是揭示標準主題的標準核心要素，通常涉及標準中的重要術語，與標準編寫的目的、范圍也存在一定的相關性。本文聚焦強制性國家標準的中文名稱，開展大模型在國家標準數字化應用中的初步探索。

為了能夠深入比較不同大模型和傳統機器學習模型的應用效果，采用DeepSeek-R1模型、DeepSeek-V3模型、訊飛星火Spark-Max模型及傳統機器學習下的LDA模型。在上述4種模型中，DeepSeek-R1模型在后訓練階段采用強化學習技術，以推理能力見長；DeepSeek-V3模型在百科知識和長文本處理上表現較好；Spark-Max模型適用于對知識專業性要求較高的知識服務應用場景；傳統的LDA模型則是自然語言處理中的經典方法，其通過一系列概率分布判斷詞語與主題的相關性[20-21]，常被用來揭示文本的核心內容。

以上海標準文獻館“標準文獻發行服務系統”中食品安全與化學領域的100篇現行強制性國家標準為樣本（截至2025年2月），采用大模型技術基于強制性國家標準的標準中文名稱獲取5個中文關鍵詞和5個英文關鍵詞。考慮到當前的LDA模型不具備大模型通常具有的文本翻譯、內容推理等能力，采用LDA模型基于強制性國家標準的標準中文名稱獲取中文關鍵詞。為了進一步比較不同技術方法的語義加工效果，采用jieba分詞工具，對100篇現行強制性國家標準的標準中文名稱進行詞語切分和數據處理后獲得對應的詞語序列。上述4種模型和jieba分詞工具的結果各計100條。采用人工方式逐一判斷上述運行結果的合理性與準確性。表1為4種模型和jieba分詞工具運行結果的部分實例，展示了不同模型和工具對于GB29940—2013的處理效果。

通過表1可以發現，對于GB29940—2013《食品安全國家標準食品添加劑檸檬酸亞錫二鈉》，3種大模型均能準確提取標準中文名稱的有效語義單元，但語義理解和聯想廣度存在差異：DeepSeek-R1能識別出檸檬酸亞錫二鈉在食品安全中的基本功能及其化學屬性，得出檸檬酸亞錫二鈉是食品防腐劑、隸屬于亞錫化合物的結論并基于此輸出中、英文關鍵詞，所給結果與標準中文名稱存在較強的語義關聯性；相比之下，DeepSeek-V3的輸出結果雖然在語義理解上較為準確，但語義聯想的廣度不及DeepSeek-R1；Spark Max能在準確提取標準中文名稱有效語義單元的基礎上進一步給出模型自身對關鍵詞的理解，但其輸出內容與標準中文名稱的語義關聯緊密性不如DeepSeek-R1。與大模型相比，LDA模型與jieba分詞工具在語義單元識別的準確性上存在一定偏差，也無法提供語義聯想和推理層面的有效結果。

上述模型和工具的人工評估結果顯示，DeepSeek-R1僅在少數回答中表現出了幻覺現象和內容錯誤，不僅能準確識別標準中文名稱的有效語義單元，也能根據標準中文名稱的語義內容進行聯想，獲取與之相關的領域專業知識和標準文本信息，在部分情況下也可根據自身回答提供關鍵詞結果的應用參考建議。相比之下，DeepSeek-V3所輸出的關鍵詞大多直接與標準中文名稱相關，Spark-Max能根據標準中文名稱進行一定的語義聯想，但聯想的廣度和深度不及DeepSeek-R1。整體而言，大模型對于標準中文名稱的語義理解準確性高于LDA模型和jieba分詞工具，體現出明顯的文本加工優勢。

3大模型賦能標準數字化的潛在風險與發展建議

3.1大模型賦能標準數字化的潛在風險

3.1.1數據治理風險

盡管大模型技術在語義理解、內容生成等方面體現出卓越的處理能力，但數據治理風險是大模型在標準數字化應用過程中無法回避的潛在問題。數據治理風險主要包括數據質量風險和數據安全風險[22]。近來的研究顯示，現階段的大模型在應用過程中普遍存在時效性、穩定性、可解釋性、可靠性等方面的不足[23]，其隱患主要來自數據合規、算法合規、隱私保護、幻覺問題等方面[4]，存在侵權、數據泄露、數據偏差等現象[24]。在初步探索中也發現了DeepSeek-R1的回答存在低比例的幻覺問題，在后續工作中將繼續加以重視，提高數據結果的可信度。

3.1.2版權風險

隨著人工智能時代的到來，數據兼具數據資源與訓練數據的雙重價值，訓練數據的版權信息披露已成為人工智能法治問題的熱點[25]。標準是受著作權保護的技術性文本，大模型賦能標準數字化將引發一定的版權風險。標準數字化工作者應當重點關注數字時代二次創作的合理使用方式[26]，確保標準數據的使用合法合規。

3.2大模型賦能標準數字化的發展建議

本研究基于大模型技術的整體應用現狀，從標準數字化的發展需求入手，提出以下發展建議。

3.2.1夯實標準語料基礎

語料數據、算法和算力是人工智能的“三駕馬車”。隨著大模型發展逐漸步入模型的后訓練時代，語料數據被視為決定模型性能上限的關鍵因素。高質量的語料庫建設與應用已成為我國近年來人工智能領域的重要方向。對于標準數字化而言，不論是構建標準垂類大模型，還是調用基礎大模型加以微調，都需要高質量標準語料庫的支撐。現階段的標準數字化工作在數據基礎方面還存在較大的提升空間，后續工作應當重點聚焦標準語料庫的建設，根據標準數字化任務的具體要求打造大模型所需的標準知識庫，從而有助于大模型給出針對性的回答，降低其出現幻覺問題的可能性。

3.2.2加強標準提示詞工程建設

與以往的深度學習模型和傳統機器學習模型不同，大模型需要提供提示詞（Prompt）作為任務的輸入文本或指令[27]。提示詞通常是問句、上下文信息、指令說明等形式。提示詞工程（PromptEngineering）的質量與大模型的回答準確性密切相關。為了提高大模型賦能標準數字化的應用效果，應當制定契合特定標準數字化應用場景和大模型自身特性的提示詞數據集，在標準領域形成可復制、可推廣的提示詞生成方法。

3.2.3在實踐中擇優選取基準型

當前國內外大模型類型眾多。盡管大模型在語義理解、文本生成等方面表現優異，但其與已有的深度學習和機器學習模型并非完全的對立關系。標準數字化工作者應當意識到模型“各司其職”在標準數字化工作中的重要性，從具體應用場景的實際需求出發，通過比較不同模型在特定任務中的表現結果，擇優選取該應用場景的基準型。

3.2.4構建基于大模型的標準智能體

近年來，基于大模型的智能體已被證實能提升知識服務模式的智能化程度[28]，能處理復雜的任務，在多個領域得到廣泛應用。標準智能體也將成為大模型賦能標準數字化應用的重要載體。與其他模式相比，基于大模型的標準智能體以大模型為“大腦”。大模型通過掌握完成標準數字化應用任務所需的工具操作方式和領域專業知識，能夠快速適應標準數字化應用場景的實際需求，靈活應對標準數字化應用需求的變化。

3.2.5制定大模型回答審查方法

鑒于目前大模型的回答尚存在“幻覺問題”，而標準數字化工作普遍對結果精確性有較高的要求，標準數字化工作者應當針對大模型的大規模批量調用結果制定科學有效的審查方法，形成大模型回答的質量評估方法，以此確保大模型結果的精確性和可信度。

4結語

在人工智能時代，大模型賦能標準數字化應用已成為大勢所趨。依靠出色的語義理解與文本生成能力[29]，大模型有望加快機器可讀標準的構建，通過在標準智能比對、標準智能編寫等多個標準數字化應用場景中發揮重要的作用，提升標準知識服務的供給能力，進而推動標準向數字化、網絡化和智能化發展。

參考文獻

標準數字化理論研究與發展趨勢洞察[J].中國標準化，2025（3）：14-15.

袁文靜，方洛凡.標準對話：標準數字化的階段性目標與實踐[J].中國標準化，2024（3）：6-29.

程云，陳國祥，陳寒竹，等.基于人工智能的標準數字化關鍵技術路徑探索[J].信息技術與標準化，2022（10）：60-67.

劉澤垣，王鵬江，宋曉斌，等.大語言模型的幻覺問題研究綜述[J].軟件學報，2025，36（3）：1152-1185.

張澤華，柴豪.國內外大模型在情感分析中對比與應用策略[J].重慶工商大學學報（自然科學版），1-11[2025-03-04].http：//kns.cnki.net/kcms/detail/50.1155.N.20241015.1411.004.html.

鄧建鵬，趙治松.DeepSeek的破局與變局：論生成式人工智能的監管方向[J].新疆師范大學學報（哲學社會科學版），2025，46（4）：99-108.

鐘新龍，渠延增，王聰聰，等.國內外人工智能大模型發展研究[J].軟件和集成電路，2024（1）：80-92.

王立璽，呂千千，孔慶煒，等.大語言模型加快標準數字化發展進程實踐與思考[J].信息技術與標準化，2024（8）：32-37.

標準化工作導則第1部分：標準化文件的結構和起草規則：GB/T1.1—2020[S].

曹亞威，陳月艷，曹倩倩.基于DIKW模型的零售業數字化轉型路徑研究[J].生產力研究，2023（7）：101-105.

劉曙.多模態文檔知識庫問答研究及應用[D].上海：華東師范大學，2023.

翟蓉.大模型賦能的智能問答FAQ語料庫建設實踐與思考：以國家圖書館為例[J].四川圖書館學報，2025（2）：80-87.

梁佳，張麗萍，閆盛，等.基于大語言模型的命名實體識別研究進展[J].計算機科學與探索，2024，18（10）：2594-2615.

鄭佳明，陳家賓，胡杰鑫，等.基于大模型和知識圖譜的標準領域融合應用方法研究[J].中國標準化，2023（23）：39-46.

金寶生，郭越，侯守立.金融業融合大模型多模態知識圖譜的構建研究[J].中國科技論文在線精品論文，2024，17（4）：420-424.

方思怡.標準知識圖譜的技術路徑與應用場景探討[J].中國標準化，2023（11）：49-55.

楊倩，林鶴.科技情報基礎服務知識融合流程自動化框架研究[J].信息與管理研究，2024，9（4）：65-72.

劉煒，劉倩倩.生成式人工智能十大趨勢與公共文化機構的應對策略[J].圖書館建設，2025（1）：4-14.

黃波.人工智能解決標準版權問題芻議[J].中國標準化，2024（20）：16-17.

王軼群，陳成鑫.基于LDA的歐盟信息迷霧政策報告主題挖掘與治理研究[J].圖書情報工作，2025，69（5）：94-106.

孫亞洲，李曉松.采用LDA模型的美國《芯片與科學法案》主題挖掘及分析[J].信息工程大學學報，2025，26（1）：120-126.

張欣.生成式人工智能的數據風險與治理路徑[J].法律科學（西北政法大學學報），2023，41（5）：42-54.

肖建力，邱雪，張揚，等.交通大模型綜述[J].交通運輸工程學報，2025，25（1）：8-28.

黃锫.人工智能大模型訓練數據的風險類型與法律規制[J].政法論叢，2025（1）：23-37.

李安.人工智能訓練數據的版權信息披露：理論基礎與制度安排[J].比較法研究，2024（5）：136-152.

鐵婧可.數字時代二次創作的合理使用：憲法視角下著作權法的規范性重構[J/OL].海南大學學報（人文社會科學版），1-9[2025-03-04].https：//doi.org/10.15886/j.cnki.hnus.202412.0199.

孫晨偉，侯俊利，劉祥根，等.面向工程圖紙理解的大語言模型提示生成方法[J].計算機應用，2025，45（3）：801-807.

孫蒙鴿，付蕓，劉細文.智能體賦能科研知識服務的路徑解析[J].智庫理論與實踐，2025，10（1）：3-18.

秦小林，古徐，李弟誠，等.大語言模型綜述與展望[J].計算機應用，2025，45（3）：685-696.