史凯｜行业高质量数据集建设行动：AI 时代的数据主权、产业操作系统与价值闭环

行业高质量数据集建设行动：AI 时代的数据主权、产业操作系统与价值闭环

从模型中心走向数据中心，从技术演示走向产业落地，从资源开发走向资产运营。

作者：史凯（凯哥）｜智胜系列 · 凯哥讲 AI 子品牌

《关于推进行业高质量数据集建设行动的实施方案》，表面上讲的是高质量数据集建设，实质上指向一个更大的产业命题：AI 产业竞争正在从“模型能力竞赛”进入“行业数据能力竞赛”。

文章导览

一、这不是一次“数据集建设通知”

二、为什么现在必须体系化推进数据集建设？

三、六大专项行动背后的六层架构

四、从项目资源到可治理资产

五、企业落地高质量数据集十步法

六、未来三年的智胜判断

一、这不是一次“数据集建设通知”，而是 AI 产业底层操作系统升级

过去几年，人工智能产业有一个非常典型的误区：大家过度关注大模型参数、算法架构和算力规模，却低估了行业数据的决定性作用。通用大模型解决的是“通用智能能力”的底座问题，但真正进入金融、交通、能源、医疗、制造、政务、低空经济、智能驾驶等行业时，决定模型能不能用、好不好用、敢不敢用、能不能形成商业闭环的，不是模型本身，而是行业高质量数据集。

模型决定 AI 能不能说话，数据集决定 AI 能不能干活。

未来的行业 AI，不是“一个大模型打天下”，而是“场景定模型，模型定数据，数据定平台，平台定生态，生态定价值”。这也是行业高质量数据集建设行动的真正战略含义。

图 1：高质量数据集建设的场景—模型—数据—平台闭环

二、为什么现在必须体系化推进高质量数据集建设？

第一，公域数据红利正在衰减，行业私域数据成为真正的战略资源。公开网页、百科、代码、论文、图片、视频可以训练“会聊天”的模型，却训练不出真正懂行业、懂流程、懂风险、懂设备、懂责任边界的产业智能系统。

第二，通用模型能力正在趋同，行业数据成为差异化壁垒。企业很难仅凭调用某个通用模型形成长期优势。真正的壁垒来自三个方面：有没有别人没有的数据、有没有真实业务闭环场景、有没有持续生产高质量数据的机制。

第三，具身智能、世界模型、智能驾驶、低空经济正在推动多模态行业数据爆发。未来最有价值的数据一定是多模态、时空化、过程化、行为化的数据，而不是静态表格或简单文档。

公域红利结束 行业私域数据成为 AI 真正战略资源，隐性知识需要显性化、结构化、可学习化。

模型能力趋同 通用模型差距缩小，企业差异化竞争转向数据壁垒、场景壁垒和机制壁垒。

多模态需求爆发 低空经济、智能驾驶、能源调度需要视频、轨迹、传感器、文本、图像等融合数据。

以动静态交能高质量数据集项目为例，项目目标是打造动静态交能赋能低空经济智能驾驶高质量数据集，赋能 11 个创新领域应用场景，并沉淀跨域协同、收益分配、版权处置等运营机制；项目规划多模态数据总量 665.04T，其中视频数据 602.81T，清洗后验证数据集 112 万条、指令微调数据集 56 万条。来源材料显示，该项目还规划“一个高质量数据集、两个平台、两个体系机制”的建设内容。1

三、六大专项行动背后的底层逻辑：从“建数据”到“建产业能力”

《方案》提出强基扩容、标注攻坚、提质增效、应用赋能、管理服务、价值释放六大专项行动。表面看是六类任务，实质上是行业高质量数据集从资源建设到产业闭环的完整路径。

图 2：六大专项行动对应六层产业能力

1. 强基扩容：建立行业 AI 的供给底盘

强基扩容不是简单地“多建数据”，而是围绕重点行业、关键场景、链主协同和持续更新机制，形成规模化、标准化、集约化的数据供给体系。没有行业覆盖、没有场景牵引、没有链主协同的数据规模，只是库存；能持续进入模型训练和业务反馈的数据规模，才是能力。

2. 标注攻坚：从劳动力密集走向知识密集

数据标注正在从“框图片、打标签”的低端外包，升级为“专家标注 + 人机协同 + 行业知识工程”。医疗数据需要医生参与，金融风控数据需要风控专家参与，交通事件数据需要交通工程师参与，能源调度数据需要电力专家参与。谁掌握专家标注体系，谁就掌握行业模型的知识注入权。

3. 提质增效：把数据建设升级为数据工厂

高质量数据集不能依赖一次性人工工程，而要依托数据采集、清洗、脱敏、标注、质检、增强、合成、版本管理、发布和反馈的全流程工具链。真正的数据集质量，不只看完整性、一致性、重复率，更要看它能否让模型在真实场景中更准、更稳、更安全、更可解释。

4. 应用赋能：场景不是终点，而是起点

数据集建设最常见的失败路径，是先建平台，再汇数据，再找应用。真正有效的顺序应该反过来：从场景出发定义任务，从任务出发定义模型，从模型出发定义数据，从数据出发定义平台。

5. 管理服务：从项目资产变成可治理资产

高质量数据集必须具备权属、授权、合约、质量、版本、审计、收益分配和安全控制能力。否则数据即使建出来，也不敢流、不好用、难计价、不可持续。

6. 价值释放：从卖数据走向卖能力

数据集商业化的核心，不是把数据文件卖出去，而是在可信机制下持续释放数据能力。未来行业数据集的交易形态会从基础数据包交易，升级为 API 调用、按需订阅、模型训练授权、联合建模服务和数据资产运营。

图 3：高质量数据集价值释放的五类商业模式

四、从项目资源到可治理资产：高质量数据集必须进入可信数据空间

行业高质量数据集要真正实现跨主体、跨行业、跨区域流通，就必须引入可信数据空间的机制。可信数据空间不是一个普通平台，而是“技术 + 制度 + 生态”的数据经济体：既要有接入连接器、服务平台、数字合约和使用控制，也要有可审计、可履约、可执行的制度规则，还要形成多主体协作和价值分配生态。2

没有可信机制，数据不敢流通；没有流通机制，数据难以定价；没有定价机制，数据无法资产化。未来的数据集不是简单文件包，而是带有权属、授权、合约、质量、版本、审计、收益分配和安全控制的数据产品。

五、企业落地高质量数据集十步法

对于企业来说，读完政策之后，最重要的问题不是“国家要做什么”，而是“我应该怎么做”。

凯哥建议企业按照以下十步推进，把高质量数据集从建设项目变成运营能力。

图 4：企业高质量数据集建设十步法

1. 选行业：选择真正有业务基础、数据基础、客户基础和生态基础的行业。
2. 选场景：定义 5—10 个高价值场景，每个场景必须有清晰业务指标。
3. 定义模型任务：拆解为识别、预测、问答、推理、规划、生成、调度等任务。
4. 反推数据需求：明确模态、字段、标签、质量要求、更新频率和授权边界。
5. 盘点数据资产：梳理已有数据、可采数据、外部合作数据、公共数据和合成数据。
6. 建设数据工程工具链：形成采集、清洗、脱敏、标注、质检、增强、发布一体化平台。
7. 建立专家标注体系：组织行业专家、业务骨干、算法工程师、数据工程师共同参与。
8. 建立质量评测体系：从数据质量、模型效果、业务结果、安全合规四个层面评估。
9. 建设可信流通机制：引入数字合约、授权管理、访问控制、日志审计、隐私计算和水印机制。
10. 设计商业闭环：明确谁出数据、谁出算法、谁出场景、谁出平台、谁获益，以及如何分配。

最终目标不是“交付一个数据集”，而是形成场景闭环、数据闭环、模型闭环、治理闭环和商业闭环。

六、未来三年的智胜判断

未来三年，行业高质量数据集会成为 AI 产业落地的主战场。

第一，数据集建设会从“项目制”走向“运营制”。数据集会像软件产品一样，有版本、有用户、有调用、有反馈、有收入、有迭代。

第二，数据标注会从“外包劳动”走向“行业知识工程”。专家标注、人机协同、知识图谱、大模型辅助标注，会成为新的核心能力。

第三，数据质量会从“人工验收”走向“模型反馈验证”。数据质量不再只看表面指标，而要看对模型能力和业务结果的提升。

第四，数据流通会从“文件交易”走向“API、Token、模型调用和联合建模”。未来不是把数据卖出去，而是在可信环境下把数据能力释放出去。

第五，数据资产会从“财务入表”走向“产业收益分配”。真正的数据资产化，不是账面确认，而是能够持续带来收入、融资、估值和产业控制力。

高质量数据集不是 AI 的配套工程，而是 AI 时代行业竞争的主权工程、产业工程和价值工程。

资料说明：本文结合国家数据局专家解读、行业高质量数据集建设方法论及动静态交能高质量数据集项目材料形成。 1 动静态交能高质量数据集项目材料：建设目标、建设内容与预期成效。 2 可信数据空间相关材料：可信数据空间作为“技术+制度+生态”的数据经济体，强调连接器、服务平台、数字合约与使用控制。

Strategy · Insights · Impact

Springer Nature 出版社已经签约出版此书的全球版

敬请期待

“精益数据方法，是基于20年中国信息化，数字化市场的深度实践，超过100家大型头部企业的数字化转型规划，实施的落地总结沉淀出的，以数据要素为核心，以价值场景为抓手的中国特色的数字化转型方法论和体系化实践工具。

2023年已经出版了原创著作《精益数据方法论-数据驱动的数字化转型》，并且已经在多个全球头部行业领军企业落地。

精益数据方法，将精益思想深度融合到企业数字化转型领域，以创造价值，消除浪费为目标，打造高质量发展的数字化企业，助力企业在新的数字化时代获得高响应力，建立数据驱动的企业。”

如何找场景？ 如何让场景落地？

如何让企业建立起持续生产高质量场景的组织能力？

精益数据训练营/解决方案架构师特训营

从数据到价值：精益数据工作坊

数字化咨询教练陪跑服务：

数字化转型规划 | 顶层设计 |企业创新与运营

IT战略规划 | IT服务管理体系 | 数据治理