构建高质量数据体系 助力AI跨越式发展

人工智能作为驱动新一轮科技与产业变革的核心引擎，正深刻重塑人类的生产与生活模式。“十五五”期间将是AI技术突破与普及的关键阶段。在AI演进中，数据的作用愈发关键，既是决定模型上限的关键，也是决定应用成效的核心。加速打造面向AI的高质量数据供给体系，是推动我国AI跨越式发展、深化“人工智能+”行动的必要手段，对促进产业智能化升级及新型工业化进程具有重大支撑意义。

当前，AI技术的爆发式增长对数据要素提出了更高要求。近年来，我国AI产业蓬勃发展，数据要素功不可没。据国家数据局统计，截至2026年3月，日均词元调用量突破140万亿，较2024年初激增千倍以上。《全国数据资源调查报告（2025年）》显示，2025年我国年度数据产量达52.26泽字节，占全球总量的27.44%，稳居首位。其中，用于AI训练和推理的数据量达199.48艾字节，同比增长42.86%，推理数据量首次反超训练数据量，标志着AI应用正加速从训练阶段迈向规模化落地。截至2026年3月，全国已建成高质量数据集超11.6万个，规模逾960拍字节，为AI突破性发展提供了坚实保障。随着AI迈向通用智能新阶段，对数据的需求将更加多元。

模型迭代需实现“数据+场景”的深度融合。随着基础模型能力跃升，多模态理解与复杂推理能力增强，智能体成为主流形态，推动生成式AI向生产力转化。前沿模型在复杂任务处理上已逼近甚至局部超越人类水平，应用重心正从“内容生成”转向“任务执行”。然而，单纯依赖互联网公开语料的路径难以为继，“数据墙”制约日益凸显，单纯靠规模扩张的边际效益递减，通用数据难以支撑代际突破。同时，应用落地需深度绑定垂直场景。核心矛盾已从“量”的不足转向“体系”支撑的缺失。这要求构建自动化、标准化的数据工程体系，提升数据自我造血能力，形成“场景沉淀数据、数据优化模型、模型赋能场景”的正向循环。

模型训练重心的转移要求更加关注动态交互行为。大模型初期依赖互联网“静态语料”（如CommonCrawl）构建知识底座，但随着训练重心向强化学习迁移，静态语料已无法满足智能体自主决策、闭环执行的高阶需求。数据需求结构需向动态行为数据与交互流数据倾斜，涵盖API工具调用、路径规划、试错修正及反馈流等现实世界数据。特别是高质量的动态交互样本与人类对齐反馈数据，正成为突破智能体自主性与运行可靠性瓶颈的关键。

通用智能演进需进一步拓展物理空间数据。具身智能与世界模型是通往通用AI的必由之路。世界模型负责物理规律建模与决策推演（“认知大脑”），具身智能则是智能体与环境的交互载体（“行动载体”），二者互为支撑。目前，具身智能与世界模型尚未出现类似ChatGPT的突破性进展，核心瓶颈在于物理世界高质量交互数据积累不足，未跨越能力涌现阈值。支撑大模型跃升的训练语料达万亿词元级，而全球用于具身智能的高质量真机交互数据多处于百万级轨迹，差距巨大。这要求数据范畴向物理世界的多模态交互感知、连续运动控制及环境因果规律延伸，形态上从单模态转向“感知—决策—执行—反馈”的全链路闭环时序数据，并兼具场景丰富度、物理真实性与因果逻辑性。

面对AI发展对数据要素的新需求，应以“人工智能+”行动为牵引，以“模数共振”为关键路径，统筹推进数据扩容提质、流通共享、治理赋能和机制创新，加快构建系统完备、安全可控且充分激活的高质量数据供给体系。

扩充数据资源供给，夯实要素底座。紧扣大模型跃升、智能体落地及具身智能攻关需求，聚焦科研、制造、医疗、交通及低空经济、生物制造等主战场，针对性布局多类型数据集。围绕智能体自主决策，积累任务规划、工具调用等轨迹数据；围绕具身智能，搭建机器人操作、多模态感知等真机数据集；围绕世界模型，探索数字环境交互与仿真生成数据体系，发挥龙头企业与公共资源作用。利用合成数据弥补物理场景短板，生成符合物理规律的三维交互数据，填补高危、小众场景缺口；建立全流程数据质量评估机制，打通仿真生成、标注、入库、验证、迭代的数据闭环。

升级数据加工能力，培育专业服务体系。数据工程体系是解决作坊式治理、实现自主供给的关键。需适配大模型及具身智能的高标准需求，推动数据标注从劳动密集型向知识、技术密集型转型，推广智能标注、自动质检等新技术。面向医疗、工业等专业领域，培育兼具行业认知与技术能力的数据机构，推动加工向知识提炼、价值挖掘升级。拓展三维点云、关节位姿、动作序列等标注维度，做好多源感知数据时空对齐，采用仿真预标注加人工校验模式提升精度。布局AI数据工程基础设施，攻关多模态清洗、向量检索、合成数据生成等技术，打造可复用工具链，探索“云—边—端”协同架构；加快研制相关国家标准，形成“需求—采集—治理—应用—迭代”的闭环。

构建可信流通体系，释放数据价值。围绕跨主体协同创新需求，建设流通设施，运用隐私计算、区块链、数据沙箱等技术，实现价值共享与安全流通，消除共享顾虑。完善产权登记、价值评估、收益分配制度，形成技术制度协同保障。推动行业数据从分散封闭向标准化、服务化转变，依托统一标准整合资源，破除跨主体、跨行业、跨区域壁垒，构建数据资源循环体系。打造公共数据服务平台，封装合规脱敏等共性能力，降低中小企业创新门槛，盘活存量数据，赋能全域创新。

完善价值激励机制，激发内生动力。遵循产业发展规律，探索适配AI发展的数据价值实现机制，完善托管、分配与权益保护制度，保障提供者权益。坚持“谁贡献、谁受益”，建立科学收益分配体系，增强主体供给积极性。引导企业加大投入，推动竞争从算力、参数比拼转向数据质量、价值释放，形成“优质数据支撑模型迭代、模型价值反哺数据供给”的良性循环。坚持创新与规范并重，建立分级分类监管体系，在守住安全底线前提下，为新模式预留空间，健全容错纠错机制，营造包容审慎环境。

强化产业协同联动，构建数据飞轮生态。聚焦全链条创新，发挥行业组织、龙头企业的桥梁作用，构建跨领域、产学研用深度融合的机制。鼓励企业、服务商、研发企业结成联合体，通过场景开放、数据共享实现良性互动。统筹政策与市场工具，引导社会资本参与，形成多元化投入格局。打造标杆数据集，赋能AI与实体经济融合。扶持高价值中文开源数据集，带动标准统一，降低创新成本。依托智库、院所与龙头共建平台，参与全球AI数据治理规则制定，掌握战略主动权。

AI时代的竞争不仅是模型与算力的角逐，更是高质量数据供给体系的较量。率先构建覆盖数据全生命周期的体系，方能掌握智能化发展主动权。对此，需坚持自主创新、应用牵引、生态协同、开放共享、安全可控的路径，以高质量数据供给支撑AI高质量发展，为新质生产力发展及制造强国、网络强国、数字中国建设贡献力量。

（作者余晓晖系中国信息通信研究院院长）

(