AI数据治理核心内容解析
近期众多企业提及AI，首先想到的是部署大模型、搭建智能体、构建知识库。说实话，这个方向是正确的。但经过多年数据工作，目睹众多项目后，我愈发确认一点：AI项目最终能否落地，表面取决于模型，底层则依赖于数据治理。那么，问题来了。AI数据治理究竟要治理什么？并非简单清洗数据，也不是建几个数据表，更不是购买一个平台就了事。它真正治理的是五个方面。过去进行数据治理，通常是为了报表、指标、监管、经营分析。现在情况不同了。AI需要利用数据，不仅仅是“能查到”就行。它还要具备理解能力。例如，企业拥有一堆制度文档、项目材料
专家解读|陈志刚：锚定AI就绪：以高质量数据集夯实人工智能根基
传统的平面文本或图像数据，已难以满足新一代人工智能对现实世界深度理解与复杂逻辑推理的训练需求。随着智能体、具身智能、世界模型等新型智能形态的涌现，海量且具深度的多模态数据变得尤为迫切。这不仅涵盖点云、时序数据、科学数据等基础形式，更对复杂任务规划、长程推理、人机交互，以及重点场景下的物理交互、环境感知、运动控制等“真机交互数据集”提出了全新要求。为此，《实施方案》高瞻远瞩地提出“积极应用仿真模拟与合成技术扩大数据供给”，并前瞻布局世界模型等前沿方向。这标志着国家在战略层面，已将数据集建设的视角从“历史数据
Rubrik推出Annapurna，赋能企业非结构化数据AI化
数据安全与人工智能运营公司Rubrik近日在Rubrik FORWARD大会上宣布推出Rubrik Annapurna的下一阶段产品，为企业数据智能平台建立面向非结构化数据的AI就绪数据层。 非结构化数据占现代企业数据总量的百分之九十。由于企业缺乏对这些文件资产的可见性，关键业务数据长期处于孤岛状态，无法被数据科学和AI应用所触及。传统的做法是通过昂贵的提取、转换、加载流程将数据复制到数据湖中，企业需要为整个数据环境付费，却只用到其中不足百分之十的数据。 Rubrik首席产品官Anneka Gupta表示
AI转型公司：今年恐难熬过
这篇文章，K哥基于过去几年里辅导几十家企业AI转型的亲历经验，做了一次系统梳理，想给正处在关键分岔口的老板们，也为关注企业AI转型的朋友们提供一些更落地的参考。01企业AI转型不是“客气话”真正的企业变革，从来就不是“你来我往、互相成就”。该调整的业务就要果断砍掉、该补齐的人才必须到位、该投入的预算一分都不能少。最关键的是，老板本人要亲自参与，不能把“革命”全交给下面的人。K哥见过不少公司把“AI转型”挂在嘴上两年，结果只有一套PPT和少量聊天机器人。症结到底在哪？往往是老板不懂、不投入、不学、不兜底，转
面向人工智能的公共语料库：概念、就绪框架与发展路径
《电子政务》2026年第4期引用格式：人工智能就绪的公共语料库：概念、框架与路径郑磊 杨涛一、研究背景以大规模语言模型为代表的生成式人工智能正在引发一场深刻的范式变革。在此过程中，数据资源正成为驱动智能涌现、决定模型认知边界的关键基础。大语言模型的性能遵循“缩放定律”，其能力高低很大程度上取决于训练数据的质量、规模、多样性以及语义深度。然而，当前全球人工智能发展正面临日益严峻的“数据瓶颈”。一方面，语料数据的供给与需求之间形成了显著的“剪刀差”。互联网上高质量公开数据的自然增长速度，已远远跟不上大模型训练
AI时代的科学数据共享新范式：FAIR×FAIR框架解读
[目标]本文聚焦人工智能背景下科研数据的开放共享与深度应用难题，针对现行FAIR准则难以有效引导数据实现AI适配的不足，构建了面向智能化应用的科研数据管理原则体系。[路径]通过深入剖析传统机器学习、大型模型预训练、模型微调、检索增强生成及智能体等五类主流AI应用场景的数据诉求，在既有FAIR"四可"准则基础上，创立了面向AI就绪（即For AI Ready）的科研数据共享利用原则架构FAIR×FAIR，并设计了与之匹配的多层次技术体系。[成效]该框架确立了13项支撑科研数据AI适配的技术规范，为消除人工智
AI赋能医疗新时代，塑造卓越医师核心力 | 2026华南智能医疗峰会启幕
如今，人工智能正从辅助手段升级为引领医疗体系深刻转型的关键引擎。伴随国家“健康中国2030”战略及医疗数字化系列政策的推进，AI技术在提高诊疗效能、均衡资源配置、推动精准医疗等方面释放广阔前景。但技术跃进同时带来深层思考：医务工作者该如何把握机遇、强化自身，在智慧医疗格局中确立不可替代的地位？本次峰会聚焦这一关键命题，以“塑造卓越医师与先锋机构——智能体在医教研管中的场景融合”为主题、“促进医疗创新与临床需求深度结合，提升医疗可及性，造福广大患者”为宗旨，集结国内外临床医学权威、数字技术领军者及知名学府学