国家推动高质量数据集建设 助力人工智能产业发展

（记者 叶菁）在当今快速发展的人工智能（AI）领域，高质量数据集的重要性愈发凸显。高质量数据集是指那些拥有高价值、高密度、标准化的数据，犹如汽车中的汽油，为人工智能大模型的精确学习提供了必需的燃料。随着AI大模型技术的持续演进，数据已经成为推动AI发展的“新石油”。

在这一背景下，国家相关部门正加大力度推动高质量数据集的建设。近期，北京市发布了公开征集行业高质量数据集需求及建设成果的通知；国务院国资委正式发布了涵盖十余个行业、30项央企人工智能高质量数据集的建设成果。这些政策的出台，显示了国家对高质量数据集建设的重视，并为人工智能产业提供了新的发展动力。

高质量数据集在构建竞争壁垒方面具有重要意义。在当前算法趋同、算力普惠的环境下，数据集核心要素之一，在不断提升模型表现和应用可靠性方面可谓是不可或缺。数据质量直接影响AI系统的智能水平，只有通过高质量的数据驱动，人工智能的应用才能在各个领域展现出实际价值。

例如，在金融行业中，优质的交易数据和风险评估数据能显著提升AI模型在风险预测和投资决策中的准确性；在医疗行业，清晰、准确的病例数据与影像数据则能帮助AI模型更为精准地辅助医生进行疾病诊断与治疗方案的制定。这些实际应用场景生动地展示了高质量数据对于确保AI应用可靠性的重要性。

高质量数据集的建设并非易事。行业专家指出，目前面临的一系列挑战包括不同行业对模型场景数据的多样化需求、缺乏一致的数据衡量标准等。这些问题给数据处理与管理带来了显著的难度，亟需通过创新与协作加以解决。《全国数据资源调查报告（2024年）》预测，至2025年，全国数据生产总量将突破50ZB，但高质量数据集建设的目标定位尚不明确，实施路径碎片化、技术底座薄弱等问题亟需克服。

目标定位的模糊化使得许多企业和机构在数据集建设过程中缺乏清晰的方向，导致数据采集过程中的盲目性，无法有效整合和利用数据资源。企业必须加强市场调研，明确在数据集建设中需采集哪些数据，以及如何使用这些数据，确保资源的高效利用。

实施路径的碎片化是高质量数据集建设过程中的另一大难题。数据采集、清洗、标注等多个环节缺乏有效的协同与标准化，造成了数据质量难以保障，也增加了后续数据整合的复杂性。因此，必须在各个环节之间建立通畅的协调机制，以确保建设过程的高效与顺畅。

，技术底座的薄弱化限制了高质量数据处理的能力。建设高质量数据集需要依赖先进的数据存储、处理和分析技术，然而许多企业在这方面存在短板。提升技术底座，可以通过加强技术投资，与高等院校及科研机构合作，借用其专业知识与技术力量，为数据集建设提供技术支持。

针对以上挑战，国家数据局副局长夏冰强调了多维度推进高质量数据集建设的重要性。产业合作是推动高质量数据集建设的重要方式。不同行业间的数据资源、技术能力与专业知识千差万别，只有通过合作，企业与科研机构才能够共享各自的优势，联合构建高质量数据集。

有必要建立专业的数据标注基地，以保证数据标注的质量。高质量的数据标注对于AI模型的学习效果至关重要，标注人员的专业水平与标注标准的统一也直接影响到模型的训练效果。因此，应加强人员，在行业内普及标准化流程。

，建设完善的数据也是提升数据管理效率的关键。通过整合各部门和系统的数据，建立集中存储和安全保障机制，可以为用户提供快速、方便的数据访问方式，不仅提高了数据的使用效率，也能及时为AI模型提供必要的高质量数据支撑。

高质量数据集在推动AI技术创新与突破方面拥有不可替代的地位。随着我国在高质量数据集建设方面的持续努力，人工智能模型将在多个领域实现更大的发展，进而为社会进步与人类福祉作出积极贡献。国家的政策支持与行业内的多方合作，将为高质量数据集的建设提供强大动力，助力人工智能产业迈向新的高度。