作为维基媒体旗下与维基百科互补的知识图谱项目，Wikidata 一直以结构化格式存储着海量多元信息 —— 从作家道格拉斯・亚当斯的星座（双鱼座）到其作品在全球图书馆的分类编号（13230702），这些数据既以网页形式供人类查阅，也通过 JSON 等机器可读格式面向技术开发者开放。如今，Wikidata 迎来重大升级：由德国维基媒体协会（Wikimedia Deutschland）主导的 “Wikidata Embedding Project”（维基数据嵌入项目）正式上线，通过构建全新 AI 友好型数据库，将 3000 万条维基数据条目转化为更易被大语言模型（LLM）吸收的向量格式，彻底改变了 AI 获取权威知识的方式，也为非科技巨头背景的开发者提供了平等的技术机遇。
此次升级的核心突破在于 “向量化转型”。过去一年，柏林研发团队借助 AI 公司 Jina AI 的模型，将原本结构零散的维基数据条目（如文本描述、关键词标签、关联信息等）转化为能捕捉上下文与语义关联的向量。这种向量化格式可形象理解为 “带节点与连接线的图谱”：以道格拉斯・亚当斯为例，其条目向量会与 “人类”“《银河系搭车客指南》作者” 等身份标签、作品名称形成关联链路，让 AI 不仅能获取单一信息，还能理解信息间的逻辑关系。IBM 旗下 DataStax 公司为该向量数据库提供了免费存储基础设施，确保数据可稳定访问。值得注意的是，当前数据库涵盖截至 2024 年 9 月 18 日的条目数据，团队计划在收集开发者反馈后，纳入过去一年新增的信息；而对于现有条目的小幅修改，项目负责人菲利普・萨德（Philippe Saadé）表示，向量格式捕捉的是条目 “核心语义”，这类微调不会影响数据库实用性。
从技术应用来看，新数据库彻底解决了传统维基数据访问的 “两难困境”。此前，Wikidata 的搜索工具存在明显局限：CirrusSearch 仅支持关键词匹配，难以理解查询背后的真实意图；SPARQL 虽能实现精准语义检索，但学习门槛极高，普通开发者难以掌握。而向量化数据库则融合了两者优势 —— 既保留了关键词搜索的便捷性，又能通过语义理解返回上下文相关结果，尤其适配 AI 领域的 “检索增强生成（RAG）系统”。例如，当 AI 需要回答 “科学家相关信息” 时，不仅能调取知名核科学家名单、贝尔实验室研究者列表，还能同步获取 “科学家” 的多语言翻译、官方授权图片，以及 “研究人员”“学者” 等关联概念，为 AI 输出提供权威、全面的知识支撑，大幅降低幻觉风险。
项目的核心目标是 “打破技术垄断，赋能中小开发者”。维基数据产品负责人莉迪亚・平切尔（Lydia Pintscher）指出，OpenAI、Anthropic 等科技巨头有足够资源自行处理维基数据，但大量中小型开发团队缺乏此类能力。新数据库相当于为他们提供了 “现成的高质量知识底座”，帮助其在 AI 研发中快速起步。 Govdirectory 平台便是典型案例 —— 该工具依托维基数据的志愿者 curated 数据，已实现全球公职人员社交媒体账号、邮箱的查询功能，证明了开放知识图谱的实用价值。同时，项目团队希望通过此举推动 AI 内容更多元化：当前多数 AI 聊天机器人倾向于优先呈现互联网热门话题，而维基数据中丰富的小众领域信息（如地方文化、冷门学科知识），能让 AI 更好地覆盖边缘话题，避免 “信息偏食”。
在用户体验与生态布局上，Wikidata 前端界面保持不变，普通用户查阅信息的方式不受影响，维基百科也不会转型为聊天机器人；后端则通过优化数据接口，让 AI 开发者能更便捷地调用数据，例如用于训练专属聊天机器人、开发实体识别工具等。数据库已在 Toolforge 平台公开上线，维基媒体计划于 10 月 9 日举办线上研讨会，指导开发者熟悉使用方法。此外，项目还支持 “模型上下文协议（MCP）”，这一标准能帮助 AI 系统与数据源高效通信，让 LLM 可通过自然语言直接查询维基数据，进一步降低技术门槛。
从行业意义来看，该项目恰逢 AI 开发者对高质量训练数据的迫切需求期。随着 AI 训练系统向 “组合型环境” 发展，对准确、可靠数据的依赖度显著提升。尽管部分人对维基数据的准确性存疑，但相比 Common Crawl 等庞杂的网络爬虫数据集，其经过志愿者编辑审核的信息显然更具事实基础。此前，Anthropic 公司曾为解决 AI 训练使用作家作品的法律纠纷支付 15 亿美元和解金，凸显优质数据的稀缺性与高价值。而 Wikidata Embedding Project 提供的免费、开放数据，不仅能降低开发者的成本与法律风险，更传递出 “AI 技术应开放协作” 的理念 —— 正如萨德所言：“强大的 AI 不必被少数公司掌控，它可以为所有人服务。”
未来，团队将根据开发者反馈优化数据库，包括扩充语言覆盖范围（目前已支持英语、法语、阿拉伯语等，计划年内新增更多语种）、缩短数据更新周期、强化来源追溯功能（让 AI 输出可直接关联维基数据原始条目）等。社区用户的意见也将影响数据排序、覆盖范围及检索质量评估标准的制定，确保项目始终贴合开发者与用户需求，持续推动开放知识在 AI 时代的价值释放。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/wei-ji-shu-ju-tui-chu-ai-you-hao-xing-shu-ju-ku-kai-fang
