加快高质量数据集建设 推动人工智能产业健康发展

　　当前，人工智能发展迈入模型与数据协同优化的新阶段，高质量数据集成为支持人工智能模型训练与优化的核心资源。习近平总书记高度重视我国丰富数据资源在人工智能发展中的重要作用，强调要“深化数据资源开发利用和开放共享”。“十五五”规划纲要明确提出，“面向能源、交通、制造、教育、健康、金融等领域建设高质量数据集”。2026年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》，系统部署行业高质量数据集建设，推动其与“人工智能+”行动计划同频共振、互促共进。高质量数据集是指经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能够有效提升模型表现的数据的集合。随着数据来源的广泛化、数据集中化程度的不断提高，我国高质量数据集建设的步伐亟待加快，以推动人工智能产业的持续健康发展。

1.加快高质量数据集建设的战略价值

　　2024年12月，国家发改委、国家数据局等部门联合印发《关于促进数据产业高质量发展的指导意见》，明确提出“高质量数据集”的概念，并将其作为人工智能与实体经济融合的核心载体。高质量数据集既是释放数据要素乘数效应的关键枢纽，也是驱动人工智能创新突破和数字产业迭代升级的核心引擎。

　　高质量数据集的建设是大国科技博弈的战略制高点。从全球范围来看，世界主要经济体均将高质量数据集的建设提升至国家战略高度。面对人工智能发展“以数据为中心”的战略转型，提高数据供给质量已经成为全球人工智能产业发展的共识，高质量数据集的建设水平关乎一国在全球人工智能产业链中的话语权和竞争力。只有加快推进优质数据资源高效汇集、合规流通和广泛应用，构建自主可控的高质量数据集管理与服务体系，才能确保我国在全球科技竞争中抢占先机。

　　高质量数据集的建设是落实国家重大战略部署的关键支撑。数据是新的生产要素，是基础性资源和战略性资源，也是重要生产力。2026年《政府工作报告》强调“深化数据资源开发利用，健全数据要素基础制度，建设高质量数据集”，这是“高质量数据集”首次写入政府工作报告，标志着数据要素开发利用进入精细化、标准化的新阶段。从宏观战略布局来看，高质量数据集建设通过把分散、海量、潜在的数据资源转化为可流通、可计算、可复用的战略资产，为数字中国建设夯实稳定、可靠的数据底座。在此意义上，高质量数据集不仅是将人工智能转化为现实生产力的核心驱动力，更是释放数据要素价值，落实国家重大战略部署的基础性、关键性资源。

　　高质量数据集是激活产业新动能的核心要素。从人工智能发展的内在逻辑来看，算法、算力与数据构成人工智能发展的三大支柱，其中高质量数据集作为“数据口粮”，其供给质量直接决定人工智能模型的精度与运行效能，在人工智能产业发展中发挥着基础性的支撑作用。一方面，高质量数据集建设有助于破解模型“通识有余、专识不足”的瓶颈，推动人工智能从通用能力向行业专识跃升，加速技术落地与产业智能化转型。另一方面，高质量数据集的建设催生了数据标注、数据治理等新兴业态，激活了数据要素流通市场，有力推动“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的“数据飞轮”加速形成。推进高质量数据集的建设，既是培育新质生产力的重要抓手，也是构筑人工智能产业竞争新优势、赢得发展主动权的战略支撑。

2.把握高质量数据集建设的发展态势

　　目前，我国高质量数据集建设正呈现出“统筹规划、分层推进、多元协作”的特点，即在国家数据局的统筹协调下开展区域建设试点，依托各地政策资源分层落地，推进典型行业高质量数据集建设范本，协同中央企业和科研机构参与行业高质量数据集建设。《关于推进行业高质量数据集建设行动的实施方案》紧扣“人工智能+”行动计划部署，聚焦科学研究、工业制造、金融服务、医疗卫生等重点领域，系统推进行业高质量数据集建设。截至2026年8月，全国建设高质量数据集超12.6万个、总量超1815PB。一方面，各地立足区域特色，积极探索高质量数据集建设创新路径，从数据质量评价、数据产品开发、数据标准化等多方面，为数据集建设提供配套支撑。另一方面，各地聚焦重点领域、重点行业开展行业高质量数据集建设，发布相关典型案例，围绕科学研究、工业制造、智慧能源、交通运输、医疗卫生等重点领域以及低空经济、具身智能、智能驾驶等创新领域，产出一批高质量数据建设优秀成果。

　　整体来看，我国高质量数据集建设虽呈现规模快速增长、投入持续加码的态势，但仍面临以下问题：一是在建设思路上，目前大多是采取“自上而下”的推动模式，即国家数据局会同多个部委统一部署建设任务，自上而下推进数据汇聚和加工，形成高质量数据集。二是在建设路径上，我国高质量数据开放不足，重点领域的高质量数据存在供给性矛盾，数据孤岛现象仍在一定范围内存在。在“先开发后开放”的建设路径下，数据开发利用面临的潜在风险敞口较大。三是在平台建设上，尽管近年来部分地方和行业探索建设了区域性、领域性的数据开放门户，但整体上仍然存在碎片化、分散化的现象，缺乏能够实现数据统一发现、便捷访问与协同开发的基础设施。这使得高质量数据集建设缺乏统一的标准规范与跨系统集成渠道，数据壁垒难以有效破除。另外，由于缺乏统一平台提供的数据治理工具、质量评估体系、开发环境及配套资源，数据开发主体不得不从零开始进行数据清洗、标注、对齐等基础性工作，重复投入现象较为普遍，开发效率不高且质量参差不齐。

　　总体来看，我国高质量数据集建设整体仍处于初期阶段。一方面，高质量语料库短缺，特别是专业领域和公共领域的高价值数据的开放和储备不足，导致真正具备直接可用性的高质量数据集相对有限。另一方面，我国高质量数据集的建设缺乏统一标准和规范体系，导致重复建设、权责不清等矛盾，制约了数据要素的高效流通与深度应用。

3.促进高质量数据集建设的系统治理

　　针对上述问题与风险，我国在高质量数据集建设中应当树立全流程的风险防控观念，建立覆盖数据采集、存储、处理、传输及销毁等各环节的全生命周期安全管理体系，将治理措施贯穿于数据集来源获取、汇聚加工、使用全流程之中。

　　在高质量数据集来源层，应将目光聚焦于准入机制的构建，建立以市场机制为主导、以政府引导为支撑的市场准入机制，强化数据来源合法与数据标准化获取。具体包括：一是机构与人员准入。对从事数据集建设的人员进行资质技能评估与筛选，同时结合数据类别差异化设置相应的市场准入机制。对涉及国家安全、政治安全、经济安全的重要数据以及核心数据等关键领域数据集，实施严格的市场准入制度，形成全过程、可追溯的源头管理能力。二是数据准入。一方面，以平衡数据保护与利用为基本理念，探索构建数据合理使用制度。对用于人工智能训练的高质量数据集，可在一定范围内予以豁免，推动数据合理使用与个人信息保护、著作权保护制度的有效衔接，确保数据来源合法合规。另一方面，应强化数据供应链安全管理，规范数据源头。设置可信度高、导向正确、质量可靠的数据来源“白名单”，明确要求进入白名单的数据须对标“标准元数据”，以便数据集建设方能够以统一标准获取数据，从源头保障训练数据的可信度与质量水平。

　　在高质量数据集汇聚加工层，应重点应对因数据高度集中所引发的安全隐患与质量风险。一是构建分级分类的安全保护机制。根据数据影响度与损害程度，建立精细化的分级分类制度，为不同层级数据匹配差异化的安全防护技术与隐私增强技术，逐步推动实现“数据可用不可见”，在保障安全的前提下释放数据价值。二是推进高质量数据集建设的一体化与标准化，降低汇聚环节的合规与技术风险。可借鉴国外相关经验，加快制定数据集质量评估指南、数据治理手册及标准化数据工具，以统一规范促进安全风险的系统性降低。三是综合运用技术手段赋能数据安全防护。部署数据安全监测与审计系统，实时检测异常访问、数据外传等行为，留存完整操作日志；同步开展数据质量与安全双重检测，降低数据集运用中的数据偏见风险。此外，在数据清洗、标注等环节也可嵌入恶意样本检测与隐私泄露风险评估，形成覆盖加工全过程的技术防护能力。四是强化主体责任与监管机制建设。明确数据控制者、处理者的安全保护义务及责任配置，建立数据安全事件应急响应与报告机制，同步加强行业自律与政府监督检查。

　　在高质量数据集使用层，应当完善数据集调用的追踪溯源制度，切实防范数据集滥用风险。可通过高质量数据集调用平台化的方式，使得数据集的每一次调用均能通过平台予以记录，进而实现数据的追踪溯源。加快推进构建可用于人工智能训练的高质量数据公共服务平台，通过数字基础设施一体化建设，利用开源框架，实现数据格式、数据接口、授权协议、运维管理的统一技术标准，明确平台高质量数据集应用需求发现和确认机制、高质量数据集合作处理机制以及多层次训练数据集供给机制。在此基础之上，以该平台为建设基点，通过平台内的规则建构，完善覆盖数据调用全流程的追踪溯源机制。一是建立数据调用全程日志记录制度。对数据调用主体、时间、频次、用途等信息进行实时记录与留存，确保每一次调用行为可追溯、可审计。二是完善权限管理与授权验证机制。根据应用场景与数据敏感度，实施动态差异化的调用授权，配套身份认证与权限核验手段，防止越权访问与违规使用。三是探索运用数字水印、区块链等技术手段，对高价值训练数据集进行调用留痕与流转标记，提升溯源能力与防篡改水平。四是建立数据调用安全审计与责任追溯制度。定期开展调用行为合规性审查，对异常调用进行风险预警与溯源分析，对违规行为依法依规追究责任，切实筑牢数据使用环节的安全防线。

　　（作者：张素华、尹晓坤，分别系武汉大学法学院教授、数字法治研究院院长，中南大学法学院博士后）