一、编制基础与核心背景
本白皮书由北京交通大学、北京化工大学牵头，联合华为、头部数据集团、多所顶尖高校、数据交易所等 30 余家产学研企机构历时一年编制，是国内首部系统研究数据工厂的专业成果，获得国家数据局等主管单位支持。当前 AI 迈入推理主导的规模化应用奇点，算力、算法已实现平权，数据平权成为产业最后瓶颈，作坊式数据集生产模式难以匹配行业需求，数据工厂作为高质量数据集标准化、规模化生产新型基础设施应运而生。
二、AI 产业发展四大核心趋势
词元调用爆发：2024 年初至 2025 年底词元调用增长超千倍，2026 年持续激增，大模型全场景深度普及；
推理数据反超训练数据：2025 年推理数据 101.34EB、训练数据 98.14EB，AI 从模型训练转向产业落地推理阶段；
计算驱动成为数据主来源：系统、AI 生成数据量首次超越物联感知数据，企业数字化投入持续走高；
智能体主导网络流量：2026 年全球网页机器人流量占比 57.5%，互联网进入机器可读新时代。
三、数智产业链架构与现存三大短板
（一）完整数智产业链
产业链分为上游（通识数据集 + 通用大模型）、中上游（行业通识数据集 + 行业大模型）、中下游（行业专识数据集 + 各类智能体）、下游（千行百业 AI 应用），以全国一体化算力网为底座。国家、行业、地方同步布局数据集、AI 中试基地、智能体规范体系，各省市出台资金补贴政策扶持数据集建设。数据集分为通识、行业通识、行业专识三类，分层适配通用模型、行业垂类模型、企业业务智能体。
（二）产业链三大薄弱环节
数据 “供不出”：仅 4% 数据可公开流通，96% 为私域涉密、非结构化数据；全社会数据付费意识薄弱，公共数据治理缺少财政预算，非结构化数据采集标注成本高、标准缺失；
数据 “存不好”：行业数据分散存储，四成数据闲置，重复建设成本高；国内数据存储规则侧重安全，忽视长期价值数据留存，中文高质量语料储备严重不足；
数据集生产低效：当前仍为作坊式生产，投入产出失衡，公共数据场景化加工不足，多模态、高维数据加工技术与专业人才缺口大，垂直场景数据标准不统一，价值释放受阻。
（三）破局方案：数据工厂
类比水厂、电厂等资源基建，数据工厂补齐数据基础设施供给环节短板，承接原始数据，流水线产出 AI 所需高质量数据集，为全行业 AI 提供 “数据燃料”，是数智社会基础生产业态。
四、国内外数据工厂实践对比
（一）海外典型案例
美国：Scale AI 构建全链路数据引擎与模型评估平台，军民双赛道落地；星际之门项目千亿级投资，将高质量数据定义为国家战略资产，配套超大存算集群；细分领域企业分别布局生物单细胞、病理、遥感专项数据工厂；
欧盟：欧洲数据中心、数据实验室以数据主权、GDPR 合规为核心，政企产学研联合，搭建本土多模态数据体系，对接欧洲统一数据空间，降低海外数据依赖。
海外工厂共性：构建多元数据源、全流程智能化产线，面向自动驾驶、医疗、国防等垂直 AI 场景闭环迭代。
（二）国内典型案例
覆盖农业、算力枢纽、语料、具身智能、区域数据产业园、城市模数空间多赛道：崖州湾农业超级数据工厂、贵州东数西算存力基地、上海库帕思语料工厂、天津帕西尼具身智能超级工厂、京津冀霸州数据产业园、广东韶关先进存力中心，以及上海、北京、珠海等地大模型模数集聚区。
国内实践特征：依托东数西算国家算力枢纽，结合地方产业，采用国资牵头、政企协同模式，兼顾通用语料与行业垂直数据集生产，配套隐私计算、可信空间实现数据可用不可见。
（三）全球实践共性规律
供给端打通政企、行业龙头双渠道汇聚多元数据；生产端实现设施、规模、智能化三位一体；应用端围绕大模型、智能体训练打造 “生产 - 训练 - 反馈” 闭环。
五、数据工厂核心定义、分类与五大特征
（一）核心内涵
数据工厂是国家数据基础设施基础单元，是高质量数据集设施化、规模化生产载体，覆盖数据全生命周期，可破解 AI 数据供给瓶颈，分为广义、狭义两层概念：
广义数据工厂（宏观国家层面）：由国家数据基座（冷热温分级存储全行业原始数据）、国家多层级数据工厂（国家级 / 行业级 / 区域级）、国家 AI 训练场（通用 / 行业 / 企业智能体训练）三部分协同构成完整数据产业生态；
狭义数据工厂（行业 / 企业微观）：包含三大核心车间，覆盖 15 项完整数据工序：
储备车间：数据采集、汇聚、预处理、存储、管理，负责原料储备；
生产车间：清洗、合成、增强、标注、质检、数据集管理，流水线产出标准数据集；
中试车间：模型训 / 微调 / 推理评估、数据集迭代，验证数据适配性并反向优化。
（二）三类技术形态
集中式：数据、产线、交付物理集中，适合大规模通用数据集，代表帕西尼、贵州存力基地；
半集中式：统一技术平台、多地分布式加工，适配多区域多行业，代表 Scale AI、头部 AI 企业自建工厂；
分布式：数据不出域、就地加工仅输出结果，依托数据编织技术，适配金融、医疗、国防等高安全领域，代表 Palantir。
（三）五大核心特征
多样化（三类形态适配不同场景）、设施化（标准化软硬件平台集群）、规模化（海量自动化流水线加工）、标准化（统一数据、加工、交付规范）、AI 化（全流程智能辅助处理、质检、评估）。
六、数据工厂建设、运营、完整部署体系
（一）四种建设模式
传统数据标注企业升级；
存量数据存储 / 算力基地转型；
头部 AI 企业业务延伸自建；
隐私计算、数据编织类技术企业创新搭建分布式工厂。
（二）四类运营模式
保障模式：财政支持，服务国家重大战略需求；
定制模式：定向供给科研、公益场景；
电商模式：市场化交易，适配成熟数据产业；
结对子模式：龙头企业、大模型厂商深度绑定，深耕垂直行业。
（三）分层部署策略
匹配国家数据基础设施三层架构分层落地：
国家底座：部署通识数据集工厂，服务通用基础大模型；
区域 / 行业功能设施：部署行业通识数据集工厂，服务垂域行业大模型；
企业业务节点：部署行业专识数据集工厂，支撑细分业务智能体。
七、四大发展政策建议
出台专项扶持政策：发布数据工厂发展指导意见，统筹国家 / 行业 / 区域 / 企业四级工厂与 AI 训练场布局，完善公共数据开放财政保障、数据资源汇聚激励机制；
全链条标准研制：分三大类制定标准 —— 数据资源汇聚规范、数据集生产加工规范、数据集质量与模型适配评估规范，形成九项核心标准体系；
攻克四大关键技术瓶颈：非结构化多模态采集、EB 级海量存储、AI 驱动智能加工、数据集自动化质量评估；
四层支撑平台搭建：底层数据资源汇聚平台、中层数据集生产平台、统一可信数据流通底座、上层 AI 模型训练验证平台，实现国家数据基座、数据工厂、AI 训练场三位一体协同。
