【行业研究】构建“数据-模型-应用-价值”的高质量数据集建设闭环生态
大家好，我是专注于数据要素价值化最后一公里服务的未小智。4月29日下午，第九届数字中国峰会“高质量数据集和数据标注主题交流活动”在福州举办。国家数据局局长刘烈宏出席并对 “推进行业高质量数据集建设”六大行动作出系统阐述，提出：通过“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”，打造“数据—模型—应用—价值”的闭环生态，推动形成一批更好满足人工智能就绪度要求，有效提升模型、智能体、智能终端等应用效能的高质量数据集，赋能人工智能与实体经济深度融合。数智创新研习社，结合参与高质量数据集咨询与建设过程中积累的认知与感悟，对高质量数据集建设现状与进程进行了梳理和总结，得出以下结论，仅供行业高质量数据集建设参考使用。行业高质量数据集建设已进入规模化、体系化发展阶段，其核心在于构建“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的闭环生态。该生态以真实业务痛点为起点，通过高质量数据集支撑垂直领域大模型与智能体训练，实现从技术能力到经济价值的转化，并反哺数据持续优化，形成可持续迭代的“数据飞轮”。按照国家数据局统计口径，全国已建成高质量数据集超过11.6万个，总体量超过960PB，日均Token调用量突破140万亿，标志着数据供给与应用进入高速增长期。钢铁、化工、医疗、农业等多个行业成效显著，验证了“数据-模型-应用-价值”路径的可行性。- 场景为锚：所有有效案例均从具体高价值场景出发，如河钢集团聚焦转炉炼钢“黑箱”控制难题。
- 数据筑基：通过系统性汇聚、治理与标注，将原始数据转化为满足AI就绪度要求的高质量数据集。
- 模型跃迁：基于高质量数据训练的行业大模型与专用智能体，在诊断准确率、生产效率等关键指标上实现突破。
- 价值可测：应用落地带来可量化的经济效益，如成本降低12%、效率提升80%、事故率下降40%等。
- 循环自驱：应用反馈持续优化模型与数据，推动生态向更高水平演进。
“数据-模型-应用-价值”路径的正向循环不仅提升了人工智能系统的实际效能，更成为推动人工智能与实体经济深度融合的关键引擎。当前，我国行业高质量数据集建设已进入规模化、体系化发展的新阶段，成为推动人工智能与实体经济深度融合的关键基础设施。其发展态势呈现出“规模快速扩张、技术持续演进、政策系统引导”的显著特征。行业高质量数据集是指经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，并能有效提升模型、智能体、智能终端等应用效能的行业数据集合。核心在于从“大数据”向“精炼数据”转变，遵循“先算法，后数据”的路径，即根据AI应用场景需求定向构建数据，而非简单堆砌原始数据。这类数据集被赋予了高知识密度、高技术含量、高价值应用的“三高”特征，是实现“人工智能+”行动的核心载体。根据国家数据局统计数据显示，截至2026年一季度，全国已建成高质量数据集超过11.6万个，总体量超过960PB，相当于中国国家图书馆数字资源总量的336倍左右。数据集的应用活跃度大幅提升，日均Token调用量在2026年3月已突破140万亿，较2025年底增长40%以上。目前，高质量数据集建设主要聚焦于数字化基础好、痛点明确、数据价值密度高的行业，形成了清晰的先行梯队：- 重点推进行业：钢铁、石化化工、有色金属、建材、工业母机、汽车、医疗装备、电力装备、船舶、航空航天、家居、医药、生物制造、电子元器件、消费电子、新型显示、软件、信息通信、网络安全等。
- 共性特征行业：装备制造、电子信息制造、新能源、生物医药、能源与电力、低空经济、新材料等。
- 区域试点：国家先进制造业集群所在区域、中小企业数字化转型城市试点等成为重点推进区域。
高质量数据集的建设正经历深刻的技术范式升级，主要体现在以下四个方面：- 数据模态多元化：从单一结构化数据转向文本、图像、时序数据兼备的多模态体系，覆盖操作手册、图纸、参数等全类型知识。
- 加工方式智能化：由人工标注为主转向“模型预标注+人工校验”模式，引入极端场景数据合成技术补齐长尾数据。
- 流通机制标准化：统一格式、接口、质量评估标准，打破数据孤岛，实现跨企业高效互通。
- 共享模式开源化：依托国家级AI开源社区建设工业数据开源专区，形成行业公共数据资源池。
“数据—模型—应用—价值”闭环生态是推动人工智能与实体经济深度融合的核心范式。该生态并非线性流程，而是一个以真实业务场景为起点、以价值创造为目标、以反馈迭代为动力的正向循环系统。其成功运行依赖于四个关键环节的紧密耦合与协同演进。闭环生态的逻辑起点是识别高价值、可量化的业务场景。这些场景通常源于企业生产运营中的“黑箱”难题或效率瓶颈，具有明确的优化目标和效益预期。核心任务：将模糊的业务需求转化为清晰的数据需求说明书。- 通过专家访谈、流程诊断、KPI分析等方法，精准定位具体问题。
- 凝练高价值场景清单，例如《“模数共振”行动》要求每行业凝练不少于30个高价值场景。
典型案例：河钢集团聚焦转炉冶炼过程难以实时监控的“黑箱”问题，通过安装视觉与温度传感器采集炉内数据，为后续数据治理明确了方向。在场景牵引下，原始数据被系统性地汇聚、清洗、标注与治理，转化为满足AI就绪度要求的高质量数据集，成为模型训练的基石。核心任务：打破数据孤岛，实现多源异构数据的整合与资产化。- 数据资产化：将数据产品化，支持API调用与订阅服务。
基于高质量数据集，通过预训练、微调等技术路径，开发出能够解决特定领域复杂问题的垂直领域大模型或专用智能体。核心任务：实现从“数据优势”到“智能能力”的跃迁。- 行业大模型训练：如中国石油利用2.2TB关键时序数据，训练出覆盖主流炼化装置的时序大模型。
- 场景适配与微调：采用“基础大模型+场景微调”模式。钢铁冶金全流程机器视觉数据集支持单场景微调无需从零采集数据，落地效率提升27倍。
- 智能体开发：卡奥斯开发38个石化行业智能体，如示功图助手、工艺优化体，实现从辅助工具到自主决策主体的演进。
模型能力被嵌入到具体的业务流程中，形成智能应用，直接产生可衡量的降本增效成果。核心任务：将AI能力转化为生产力，验证闭环生态的商业价值。应用产生的用户行为日志、预测偏差和新场景需求，被重新收集并用于优化数据集和模型，从而启动新一轮的迭代升级，使整个生态具备自我进化的能力。- 实现方式：通过在线学习、A/B测试、闭环监控系统等方式，持续收集数据，不断打磨模型性能。
推动行业高质量数据集建设，需构建“政策引导、技术突破、模式创新、生态协同”四位一体的实施路径。国家层面已形成多层次政策体系，明确行动目标与制度框架，为高质量数据集建设提供方向指引和资源保障。- 制定专项行动方案：国家数据局发布《关于推进行业高质量数据集建设行动的实施方案（征求意见稿）》，提出到2028年底建成一批覆盖重点领域的行业高质量数据集，并探索词元交易等新型商业模式。
- 推进跨部门协同落地：工业和信息化部与国家数据局联合实施2026年“模数共振”行动，目标是到2026年底基本形成“数据-模型-场景应用”良性互促循环。
- 支持地方先行先试：北京市对数据首登记、首入表企业给予奖励；贵州省设立专项资金，每年安排不超过500万元对训练使用量、数据质量排名前10的市场主体进行激励。
技术创新是破解数据采集、标注、治理等瓶颈的核心动力，重点聚焦智能化处理与安全流通两大方向。- 推广人机协同标注模式：发展“模型预标注+人工校准”、“人工标注+模型检验”等人机协同机制，提升标注效率并降低人力成本。
- 突破极端场景数据合成技术：利用生成式AI创建少样本、零样本下的异常缺陷数据（如设备破损、漏油），补足真实采集难以覆盖的长尾事件。
- 强化隐私保护与可信流通：深化联邦学习、区块链确权、隐私计算等技术应用，实现数据“可用不可见”，破解企业“不愿共享、不敢共享”的难题。
- 构建多模态数据治理工具链：研发支持文本、图像、时序、点云等多源异构数据一体化处理的技术平台，提升数据加工自动化水平。
推动数据要素价值转化，需打破传统“数据包销售”模式，向服务化、资产化跃迁。- 初级阶段：以基础数据包交付、定制化开发为主，满足特定项目需求。
- 中级阶段：发展订阅租赁、API调用、词元（Token）交易等模式，实现按需付费、弹性使用。
- 高级阶段：探索数据信贷、数据资产作价入股、数据保险、资产证券化等金融化路径，释放数据资本属性。
- 鼓励政府率先采购：推动政府部门、国有企业开展数据采购实践，培育市场需求，带动产业生态发展。
高质量数据集建设非单一主体可完成，必须通过机制设计促进多方参与、共建共享。- 创建“模数共振”空间：打造具备跨主体数据可信贯通、模型协同训练能力的软硬件基础设施，支持产业链上下游联合攻关。
- 组建创新联合体：引导算力、模型、数据、应用企业组建“模数共振”创新联合体，整合资源，协同解决共性问题。
- 做强开源社区：依托国家级AI开源社区建设工业数据开源专区，推动形成行业公共数据资源池，降低中小企业使用门槛。
- 培育专业服务商：扶持数据咨询、治理、标注等第三方服务机构发展，壮大产业生态，提升专业化服务能力。
尽管行业高质量数据集建设已取得显著进展，但在迈向规模化、可持续发展的过程中，仍面临一系列深层次的结构性挑战。这些问题横跨标准体系、技术能力、供给机制、商业逻辑与制度环境，亟需系统性应对策略予以破解。- 标准与规范缺失：行业缺乏统一的数据标准与质量评估体系，导致不同主体间数据难以互通互认，重复建设严重，资源浪费突出。数据格式不一、采集误差引发分布偏差、颗粒度参差等问题普遍存在。
- 技术能力薄弱：数据加工自动化水平低，尤其在医疗、建筑等专业领域，高度依赖人工密集型标注，成本高昂且效率低下。多源异构数据采集难度大，缺乏成熟接口与工具链；长尾事件数据稀缺，真实场景难以覆盖。
- 数据供给与协同难题：中小企业自身数据储备不足、治理能力有限，难以独立完成高质量数据集构建。工业企业普遍坚守“数据不出域”安全底线，影响数据可持续供给。可供给数据的企业数量偏少、规模偏小，制约工业AI深度落地。
- 商业模式与价值变现困境：数据成本与价值回报失衡，企业通过数据治理产生利润仍是待解难题。市场回报机制不明，缺乏专门针对行业专识数据集的投资或补贴政策。数据流通慢、责任界定不清，抑制供需双方积极性。
- 生态与制度障碍：存在“不愿共享、不敢共享、不会共享”的行业痛点。跨部门、行业和地区数据标准不统一，互操作性缺失，资源整合困难。数据权属、合规等制度建设滞后，影响高效流通利用。
为有效应对上述挑战，需从制度设计、技术创新、生态培育等维度综合施策，形成协同推进格局，可逐步打通高质量数据集建设的堵点卡点，为“数据—模型—应用—价值”闭环生态的健康运行提供坚实支撑。未名未央管理咨询旗下专注数据要素价值变现的实战研习平台，汇聚了来自中国科学院、北京大学等顶尖机构的专家团队，已成功服务多个地方数据集团与行业龙头，助力其实现数据资产的价值跃迁。我们提供的“高质量数据集诊断与建设全周期咨询服务”，正是为了系统化梳理数据资源和探查数据应用场景，并交付《高质量数据集建设可行性诊断报告》与《行业高质量数据集建设方案》，帮助您从“自查”走向“专业诊断”，从而做出精准的决策。 
