Big Data Versus Big GPU: Evolving Requirements and Governance Dynamics of AI Training Data
Identification
- Clé publique
- radar:r-ce09b272459ca479f433c8c77f00deb4
- Auteurs
- Le Cheng · Xuan Gong · Yun Zhao
- Année déclarée
- 2025
- Langue déclarée
- en
- Type source
- article
- Première détection
- 2026-11-14T09:36:47.739866+00:00
- Dernière observation des métadonnées
- 2026-11-14T09:36:47.739866+00:00
- Dernière vérification HTTP
- Non effectuée
Institutions déclarées par la source
Zhejiang University · University of Hong Kong
Pays d’affiliation déclarés
CN · HK
Résumé documentaire — langue originale
Abstract Pre-trained large language models (LLMs), epitomized by ChatGPT, have leveraged a cornucopia of “big data” to attain substantial leaps in artificial intelligence (AI). Whereas the diminishing returns from pre-training and the depletion of available training data have become evident, the post-training scaling law bolstered by “big GPU” has surfaced as an overriding strategy. Since 2024, post-trained models exemplified by o1 and DeepSeek-R1 have been widely acclaimed as successes in logic-intensive fields like advanced scientific problem-solving, serving as a bellwether for artificial general intelligence (AGI). Driven by the two cardinal elements of computing power and task-specific datasets, the data training processes of post-trained models exhibit more erratic and uncontrollable tendencies, which may be a menace to core societal domains and precipitate systemic friction vis-à-vis the existing data governance derived from pre-trained models. At this watershed moment, this article aims to conduct a comprehensive comparison of training data paradigms between pre-trained and post-trained models and to further develop cogent and favorable governance responses to mitigate emerging risks. Consequently, data security must be established as a prerequisite for AI development, and a lifecycle-based governance framework for AI training data in blended models can be introduced in the metamorphosis toward “bigger AI models”.
Identifiants
- OPENALEX
- https://openalex.org/W4409564737
- DOI
- 10.1515/ijdlg-2025-0004
Repères documentaires
- Famille documentaire
- article
- Types déclarés par les sources
- article
- Éditeurs
- Walter de Gruyter
Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.
Sources
OpenAlex · Document 1
Citer cette référence
Le Cheng; Xuan Gong; Yun Zhao. Big Data Versus Big GPU: Evolving Requirements and Governance Dynamics of AI Training Data. 2025. https://doi.org/10.1515/ijdlg-2025-0004
JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·
APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.
- APA
- Le Cheng; Xuan Gong; Yun Zhao. (2025). Big Data Versus Big GPU: Evolving Requirements and Governance Dynamics of AI Training Data. https://doi.org/10.1515/ijdlg-2025-0004
- Chicago
- Le Cheng; Xuan Gong; Yun Zhao. Big Data Versus Big GPU: Evolving Requirements and Governance Dynamics of AI Training Data. 2025. https://doi.org/10.1515/ijdlg-2025-0004
- ISO 690
- Le Cheng; Xuan Gong; Yun Zhao. Big Data Versus Big GPU: Evolving Requirements and Governance Dynamics of AI Training Data. 2025. https://doi.org/10.1515/ijdlg-2025-0004
Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31
UDTR — Bibliothèque juridique mondiale des droits de la Nature. Big Data Versus Big GPU: Evolving Requirements and Governance Dynamics of AI Training Data. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-ce09b272459ca479f433c8c77f00deb4/ · Dernière vérification HTTP : non effectuée
Données de cette version figée
Dossiers et relations documentaires
Rôles des sources
Source bibliographique / publication d’origine · https://doi.org/10.1515/ijdlg-2025-0004
Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.
Statut documentaire
Pertinence à examiner
Bibliothèque
Cette identité n’est pas encore intégrée à la Bibliothèque juridique.