国家首次系统部署高质量数据 物理AI时代新石油

《科创板日报》6月8日讯（编辑 宋子乔）——国家数据局今日正式印发《关于推进行业高质量数据集建设行动的实施方案》。这份文件的核心突破在于：这是国家层面首次系统规划数据赋能人工智能发展的整体部署。简言之，AI时代的数据如何采集、由谁建设、怎样落地，此次给出了清晰的实施路径。

《实施方案》首先明确了“行业高质量数据集”的定义：指经过采集、加工等数据处理环节，可直接用于AI模型开发与训练，能显著提升模型性能的数据集合，涵盖行业通识与行业专识两类。这一定义具有关键意义——并非任意数据堆砌即可称为数据集，必须经过处理并具备直接训练价值。

方案设定的总体目标同样清晰：到2028年底，建成一批覆盖重点领域、经过实际验证的行业高质量数据集，打造若干数据驱动AI创新的典型应用场景，培育一批有竞争力的创新型数据企业和专业人才，形成系列建设工具与标准。核心逻辑是从“拥有数据”迈向“数据可用、好用、规模化应用”。

具体执行层面，方案部署了六大专项行动，覆盖数据集供给、流通、应用等关键环节。值得特别关注的是，方案明确要求：围绕AI应用需求，持续推进文本、图像、音视频等多模态高质量数据集建设；同时，重点聚焦智能体、具身智能和世界模型三大前沿方向，要求加快推进数据集建设。此外，引导有条件的地区建设数据标注创新试验区——为各地划定了明确的发力点。

为何如此紧迫？数据是AI训练的“粮食”。训练领先大模型需要数百万乃至数千万条标注数据。从GPT-4消耗的13万亿tokens高质量数据，到Qwen2.5-Max的20万亿tokens规模，国际巨头正借助数据优势构筑技术壁垒。而高质量数据集的严重匮乏，已成为制约物理AI及其衍生的智能体、具身智能和世界模型等前沿领域发展的核心瓶颈。这不是危言耸听，而是行业共识。

在2026年世界智能产业博览会上，国家数据局局长刘烈宏明确表示：“高质量数据集是具身智能‘感知-决策-执行’的重要基础。”据《科创板日报》此前报道，多位具身智能领域的投资人指出，当前最大瓶颈正是数据。高质量数据的规模化生产能力，就是这个赛道的“石油”。原因在于，具身数据存在特殊技术要求，现有民用数据无法直接复用。例如让机器人抓取水杯，它无法自主判断所需力度，极易滑落。高精度、第一视角、多维度的具身数据目前极度稀缺。

这一判断与“AI教母”李飞飞的观点高度一致。从ImageNet到WorldLabs，李飞飞始终坚持：数据集规模决定智能程度。她曾在访谈中直言，当前数据可能再度成为发展世界模型的特别棘手难题，“数据与算法同等重要”。

在2026年2月的思科AI峰会上，李飞飞进一步指出，物理世界AI发展滞后于语言模型，核心瓶颈在于数据信噪比——文本数据语义清晰、易于获取，而物理世界的像素、体素数据充满噪声，3D、4D维度的高质量数据严重稀缺。在接受a16z访谈时，她强调：AI进步的核心限制从来不是算力或算法，而是高质量、多模态、符合物理一致性的数据，这一结论从ImageNet时代延续至今，在世界模型研发阶段更为突出。

今年以来，高质量数据集领域涌现了不少新动态。

4月15日，国家数据局发布《关于推进行业高质量数据集建设行动的实施方案（征求意见稿）》向社会公开征求意见。随后，工业和信息化部、国家数据局联合印发《关于联合实施2026年“模数共振”行动的通知》，推动人工智能模型与数据资源协同互促，明确提出到2026年底，基本形成“数据-模型-场景应用”良性互促循环，推动AI高水平赋能新型工业化。

行业平台层面，4月29日，国家数据集管理服务平台上线试运行，提供覆盖数据集全生命周期的公共服务能力。截至5月31日，已认证机构516家，发布数据集1350个，覆盖农业、工业制造、交通、文旅等重点领域。

最后看几组数据：截至今年一季度，全国已建成高质量数据集超过11.6万个，总体量超过960PB。截至今年3月，我国日均词元调用量已超过960万亿个。这些数字背后，是一个正在加速运转的数据“新基建”体系。

来源：互联网