AI赋能数据定价与交易的创新路径

2024年，全国数据市场交易规模预计超1600亿元，比上年增长30%以上，其中，场内市场数据交易（含备案交易）规模预计超300亿元，比上年增长1倍。在此背景下，构建科学可行的数据价值评估体系和建立高效安全的数据要素交易机制，成为推动数据要素市场化配置、支撑数字经济高质量发展的基础前提。2025年8月，《国务院关于深入实施“人工智能+”行动的意见》印发，明确将人工智能定位为培育发展新质生产力、基本实现社会主义现代化的重要支撑力量。2025年10月，党的二十届四中全会《建议》要求，加快人工智能等数智技术创新，突破基础理论和核心技术，强化算力、算法、数据等高效供给。这为深化数据资源开发利用指明了发展方向，也为人工智能深度参与数据定价和交易提供了根本遵循。

（一）二者关系

人工智能与数据定价和交易存在两方面关系。一方面，人工智能是数据价值化的“倍增器”和“发动机”。人工智能通过实现数据价值的精准量化，交易流程的自动化与智能化，交易过程的可信化，深刻改变数据定价与交易的方式，成为驱动数据要素市场从“资源化”向“资产化”“资本化”迈进的关键引擎。《全国数据资源调查报告（2024）》显示，2024年共有238款人工智能服务在国家网信办新增备案，开发或应用人工智能的企业数量比上年增长36%，利用大模型的数据技术企业、数据应用企业数量分别增长57.2%、37.1%。另一方面，我国海量数据资源和丰富应用场景为人工智能的发展提供了高质量“燃料”与“试验场”，这也是我国在全球人工智能竞争中的独特优势。

近年来，我国人工智能行业发展迅猛，产业主体持续壮大，截至2025年9月，人工智能企业数量超5300家，全球占比达到15%，形成覆盖基础底座、模型框架、行业应用的完整产业体系。同时，产业规模持续扩张。据测算，2024年我国人工智能产业规模已超9000亿元，比上年增长24%。人工智能大模型作为新质生产力的重要驱动载体，在提升数据利用效率、重构生产方式和培育新增长点方面具有战略意义。但也应认识到，人工智能在数据定价与交易领域的应用仍面临诸多挑战，包括算法可解释性不足、标准体系不健全、安全合规压力日益增大、数据安全风险加剧、市场接受度不足和人才储备匮乏等问题。

未来，隐私计算与人工智能深度融合、数据定价向基于效果的多维动态模式演进、数据生态构建向垂直行业渗透、数据基础设施全球互联互通、数据市场规模化加速普及、数据监管与标准体系日趋完善将成为主流趋势。

（二）相关研究

学界围绕数据定价机制理论创新与数据交易体系结构优化两大核心领域，形成了较为系统的研究成果。

在数据定价领域，现有研究基于数据要素的独特属性，着重探讨数据定价的难点突破与机制创新。数据资产具有非竞争性强、边际成本低和价值不确定性大等特性，其价值与使用场景、使用者能力及数据质量密切相关，且存在信息悖论等固有矛盾。

针对上述属性导致的成本核算困难、价值评估模糊等问题，学者们围绕数据定价原则及定价方法展开了广泛而深入的探讨。就定价原则而言，对公共数据，应遵循公益普惠、分类管理和协同推进的原则，实行政府指导价、最高准许收入核定等具体措施；对企业数据，则应依托供需关系与贡献度实现差异化定价。就定价方法而言，涌现出基于查询的定价、基于Shapley值的定价、基于数据市场的定价、基于模型贡献的定价等方法，通过量化模型实现精准定价。

面向新一代人工智能，相关研究进一步指出大模型对高质量、大规模、多样性数据集的依赖放大了质量异质性、合规风险与交易不确定性，进而提出质量基准、贡献增值、场景定制和动态溢价相结合的综合定价模型。

在数据交易领域，已有研究从微观交易结构、中观市场培育到宏观经济增长三个层面展开。

从微观层面看，数据交易不仅是一次性的交换行为，更是数据资产化、服务化与生态化的系统工程，需要平台机制、行业场景与制度环境的共同支撑。

从中观层面看，我国数据交易市场目前面临场内合规成本高、场外黑灰交易盛行、国际话语权缺失等问题，应通过制定标准体系、培育合规师、引入信用机制及借助人工智能等方式构建起多层次、多元化的数据交易合规生态体系。此外，将数据交易置于安全可信的数据空间环境中，有助于提升跨部门、跨层级、跨区域的数据流通质量，在培育全国一体化数据要素市场中发挥着重要作用。

从宏观层面看，数据交易通过直接提升产出和间接提高效率发挥对经济增长的“双维驱动”作用。此外，专业化人工智能服务主体能提高数据利用效率与交易意愿，在提升短期产出的同时强化数据要素对经济体系的支撑作用。

总体上看，尽管现有研究在定价机制与交易体系方面已取得较为系统的进展，但大多聚焦于传统定价模型的优化与交易流程的规范，对人工智能如何深度融入并重塑数据定价与交易生态的探讨相对匮乏。

基于人工智能在数据定价和交易领域应用的现状，深入剖析其在技术与标准、合规与伦理、市场与生态、人才等方面面临的挑战，进一步探讨未来发展趋势，提出人工智能在该领域应用的政策建议，可为主管部门统筹推进数据要素市场建设提供决策依据。

目前，人工智能已深度渗透到数据定价与交易的全链条，将有效解决传统模式下的诸多痛点，其在不同环节的应用情况如下。

（一）推动数据价值评估与定价从“成本导向”到“价值导向”转型

传统的数据定价模式大多依据数据采集和存储的直接成本，通常采用按数据量或简单模型进行定价的方式。这不仅难以体现数据的潜在实际应用价值和市场稀缺性，甚至会引起“用得多不如用得巧”的错位激励。人工智能将从定价模型、定价策略和定价模式三个方面重塑数据价值评估与定价。

1.基于多维度特征分析的定价模型构建。人工智能在数据定价中不仅进行计算，更重要的是对数据内在价值的深刻洞察。人工智能通过机器学习、深度学习等技术手段，可对数据质量（如准确性、完整性、时效性、一致性等）、应用场景（如金融风控、精准营销、智能驾驶等）、稀缺性（如行业专属数据、高维度行为数据等）以及合规性（是否符合相关法律、法规等）等数十乃至上百个维度的特征量化分析，从而构建更为科学的价值评估模型。如，北京银行在信贷风控建模过程中引入人工智能，通过融合多维度数据优化模型架构，不仅大幅压缩信贷审批周期，由原先的5天缩短至2.5天，而且显著提升信贷风控能力，使欺诈交易识别准确率从95%提高至98.7%。

2.动态化与个性化的定价策略优化。依托机器学习、深度学习算法、实时数据处理技术、特征工程建模、用户画像分析系统等，人工智能能够依据市场供需状况、数据新鲜度的衰减曲线以及买家的历史使用效果等因素，实现数据的动态化和个性化定价，从而最大化数据资产的收益。

3.结果导向的定价模式创新。这一模式被视为人工智能赋能下数据价值评估与定价的最具颠覆性与前瞻性的发展方向。它彻底打破传统按数据量或时长收费的定价逻辑，将数据价格与客户的业务成果直接挂钩，如按疗效付费的人工智能医疗顾问、按胜诉率付费的人工智能律师、按销售额提升付费的人工智能营销顾问等。在该模式下，客户无需担心“买了没用”，供应商承担全部风险，这种“敢为成果买单”的态度是对产品价值的最佳背书。同时，供应商与客户的利益紧密绑定，双方从传统的“交易关系”转变为“共赢伙伴”，从而在根本上解决数据价值难以量化、供需双方利益难以对齐的现实难题。

（二）驱动数据交易流程的智能化升级与自动化落地

人工智能优化数据交易环节，提升市场效率。

1.智能匹配与推荐功能。平台借助先进的人工智能算法，高效衔接数据供需双方，精准剖析数据需求方的画像及偏好，为其智能匹配并推荐最契合的数据产品与服务，从而大幅降低搜寻成本。

2.提升交易信任与安全性。隐私计算技术（如联邦学习、安全多方计算）能够在不泄露原始数据的情况下完成计算和分析，实现“数据可用不可见”，有效降低敏感数据流通的风险。此外，区块链技术为数据交易提供存证、追溯及审计功能，保障交易过程透明且不可篡改。

3.自动化交易与结算。依托区块链技术的智能合约能够自动执行交易条款，这些条款可被编码为程序形式，一旦达到预设条件（如数据交付验证通过），支付、清算等环节将自动进行，无需人工干预，不仅能显著提升交易效率，而且能有效降低纠纷风险。

4.推进智能化数据交易平台的建设。部分数据交易所及数据要素市场试点平台已引入人工智能进行智能撮合，显著提升了供需匹配的效率。如，深圳数据交易所积极探索人工智能训练数据的规范化管理和资产确认，为企业提供数据资源盘点、数据价值挖掘、数据产品孵化、产品上市流通与交易撮合服务，进一步放大数据资产价值，在此基础上促成数据资产融资需求企业与银行对接，推动企业数据资产融资进程。此外，人工智能算法在数据合规性审核、敏感信息识别以及数据脱敏处理等方面得到广泛应用，有效降低了交易风险。

（三）支撑数据资产化实践与金融服务场景拓展

2025年3月，中国人民银行明确提出，加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域应用。

1.为数据资产化提供技术支撑。自2024年1月1日起，《企业数据资源相关会计处理暂行规定》正式施行，标志着数据要素在会计报表中的显性化进程正式启动。以往被企业视作费用处理的数据资产，从此在资产负债表中独立列示为专项条目，真正意义上实现了“数据资产入表”。人工智能在数据价值评估、合规审查等方面的特有优势保证数据资产入表的准确性与合规性，为数据成为可抵押、可融资的“资产”提供技术背书。如，利用机器学习算法对海量历史数据分析，能够更科学地预测数据未来收益，为企业数据资产定价提供有力依据；利用自然语言处理技术自动识别数据中的潜在合规风险，如数据