财联社 8 月 29 日讯 （记者 付静）「当前各方都普遍认为，数据资源非常重要，现在大家都愿意为模型、算力买单，我们也希望各行各业在推动行业大模型的应用过程中，也加大对数据资源的投入。再次呼吁全社会强化数据要素的价值认同，加快价值共创，共同培育为优质数据买单的共识。」8 月 28 日开幕的 2025 数博会期间，国家数据局党组书记、局长刘烈宏呼吁。
近两年人工智能产业尤以算力方向受关注，但财联社记者在 2025 数博会现场注意到，人工智能数据亦受到热议。28 日下午，由国家数据局主办，中国信息通信研究院、中国移动通信集团承办的高质量数据集主题交流活动现场颇为火爆，不仅是 「一座难求」，开场前数十位从业者站在舞台一侧，期待国家数据局的最新发声。
从业者等待活动开始 财联社记者摄
全国高质量数据集累计交易额达 40 亿元
本周国务院印发 《关于深入实施 「人工智能+」 行动的意见》，持续加强人工智能高质量数据集的建设。国家数据局会同有关方面共同推动高质量数据集的建设和应用，亦已取得积极成效。
财联社记者最新从国家数据局方面了解到，今年上半年，全国各地已建设高质量数据集超过了 3.5 万个，总体量超过 400PB。截至目前，全国各地高质量数据集累计交易额已达 40 亿元，交易机构挂牌 3364 个高质量数据集，总规模达到 246PB。
国家数据局方面透露，为推进高质量数据集的建设，国家数据局布局建设成都、沈阳等七个数据标注基地，目前国内多数模型训练使用的中文数据占比达到了 60-80%，中文高质量数据的开发和供给能力显著增强。
同时，人工智能模型训练正推动数据交易需求上升。以北京数交所为例，高质量数据集占交易总量的比例从去年 10% 左右提升到目前的近 80%。上海、天津、安徽等地正在试点 「数据语料作价入股」 模式，引导企业将高质量数据集折算为股权投入新企业。
此外，国家数据局强调高质量数据集建设基础保障。通过建立健全数据基础制度，加快建设数据基础设施，推进公共数据开发利用，布局攻关数据领域核心技术，完善数字人才培养体系等一系列组合拳和体系化的布局，持续推进数据要素市场化改革和 「人工智能+」 行动同频共振，联合各部门创新工作模式，构建部门协同的工作制度，协同发力，联合施策，积极引导做好高质量数据集建设工作。
国家数据局称，下一步将加快打造重点领域，以及具身智能、低空经济、生物制造等领域数据高地。
财联社记者了解到，大模型能力边界几乎完全由数据的质量、规模和安全性来定义，数据是提升模型能力的关键和模型训练的基础，也是拓展智力上线和性能优化的支撑，高质量数据将有效降低模型幻觉。
「很多专家说当前的技术条件下，人工智能的发展体现出很强的数据驱动特色。数据决定了大模型的性能上限。」 刘烈宏表示。
多家企业布局高质量数据集
目前，多家企业的业务布局也顺应着这一趋势。
此次数博会，财联社记者注意到，在智算服务器领域表现突出的超聚变 2024 年起发力数据层面，目前已构建了统一的资产与数据安全管理体系。
超聚变 CIO、城企数智事业部总裁蓝文广表示，新一代 AI+数据技术改变了从业务到数智化的生产方式、业务设计与数智化实施方法框架并重构所有的业务及应用。据悉，在企业服务领域，超聚变推出的 xIBT 业务变革与数智化转型解决方案，依托 100+场景智能体，将企业业务流程深度融入智能体架构。
财联社记者从中国电科集团旗下的中国司法大数据研究院有限公司 （以下简称 「中国法研」） 方面了解到，研究院为我国公共数据资源授权运营的先行先试单位，在司法领域高质量数据集建设方面，组织法律专业知识专家、法律从业者和高校法律学生共同组成数据标注团队，构建了基于法律知识体系指引的数据标注系统，通过 「人机协同」 方式，开展了专业领域数据标注。
中国法研以积累的 「法律法规、司法解释、指导案例、公开文书」 等作为基础数据源，结合司法领域专业知识和应用场景需要，归纳和整理形成 「法律问答、法条推荐、案件认知」 等在内的 27 类司法语料库，共计 600 万对精调语料；同时，针对检索增强生成，基于法律实务 （文书） 和专家观点数据，构建了超 2 亿条法律行业知识。
公开信息显示，作为产业链 「链主」，目前三大运营商以数据专业公司为立脚点，致力于构建高质量数据集。其中中国移动已建成覆盖 32 个行业、超 3500TB 通用高质量数据集。
高质量数据集建设仍面临挑战
值得关注的是，中国信息通信研究院院长余晓晖在数博会期间发布了 《高质量数据集建设指引》。
财联社记者了解到，在上述 《指引》 发布背后，高质量数据集的建设仍面临诸多挑战。
余晓晖称，目前全国已建成超过 3.5 万个数据集，Token 消耗量呈高速增长态势，中央、地方和行业层面也在积极推动相关工作。然而，实践中仍面临诸多挑战，如数据供给、技术、治理体系和标准等问题亟待解决。
中国法研总经理专项助理李晓智在采访中告诉财联社记者，现实应用中，数据的合法性和数据保护问题客观上增加了数据集建设的难度，技术瓶颈仍然存在，当前的算法和工具仍无法有效解决数据标注的高成本和低效率问题，尤其是在人力资源有限的情况下，如何高效、准确地完成大规模数据集的标注和清洗仍是关键问题。
据悉，高质量的领域语料建设，是一项领域知识密集型工作，需投入大量的领域专业人员。李晓智介绍，虽然现在中国法研已经形成一套人机结合的语料构建、质量检测方法，但是人工劳动还是占语料构建 30%+以上的工作量。后续中国法研考虑基于法律大模型联盟形成 「数据伙伴」 团队以及中国法研 CNAS 测评团队，共同进行行业语料集建设和评价，希望国家相关部门能够予以顶层指导和政策支持。
吴世忠研究员亦在其演讲中提到了数据来源的合法性风险。
同时吴世忠表示，数据内容面临可靠性风险，现实中数据集经常面临低质噪声、失实性错误甚至价值观的偏差；数据供应链方面存在风险，「应高度关注篡改的隐患，数据集从采集、标注、实用多个环节，数据供应商，外包标注团队、云平台等等，任何漏洞都可能成为攻击的入口」；数据使用方面面临伦理风险，「严防滥用与失控潜在危险，即使数据集本身合法合规，如果缺乏对使用场景的约束，也可能引发问题及某些包含生物特征的数据，人脸照片，影音片断，生成类的大模型导致深度伪造方面的技术滥用，这方面的例子出现了很多。」
