人工智能技术的发展范式正经历从“以模型为中心”向“以数据为中心”的转变。DeepSeek 等模型的突破性进展表明，数据质量与规模已成为决定模型性能的核心变量。高质量数据集因此从模型训练的辅助性资源跃升为决定人工智能产业竞争力的战略要素。工业是人工智能赋能实体经济的主战场。

我国拥有全球规模最大、门类最完备的制造业体系，截至 2025 年末，重点工业企业关键工序数控化率达 68.6%。2025 年，工业领域的数据生产量达 8.53 泽字节（ZB），占企业数据生产总量的 25.43%，居各大产业领域首位。然而，数据资源体量优势尚未有效转化为赋能优势，大量工业数据因采集不全、标准不一、流通不畅而处于“沉睡”状态。调查显示，现有数据集中 85% 的数据未经深度处理。

2026 年以来，国家层面密集部署：工业和信息化部启动“工业数据筑基行动”；4 月，工业和 信息化部与国家数据局联合启动“模数共振”行动；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》（以下简称“实施方案”）。这一系列政策的出台，标志着工业高质量数据集建设从概念探讨迈入系统推进的新阶段。

本文旨在回答一个核心问题：工业高质量数据集建设究竟面临何种结构性困境，其推进路径应当如何展开？

一、概念界定与特征分析

（一）内涵界定

行业高质量数据集是经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的行业数据的集合，区分为行业通识数据集与行业专识数据集两类：通识数据集面向行业共性需求，专识数据集面向特定场景。工业高质量数据集则是从研发、生产、供应、销售、服务等全生命周期各环节产生和采集，经专业化处理后用于工业模型训练的数据集合。

值得关注的是，高质量数据集“已经不再是传统 意义上的数据资源集合，而是能够直接服务模型训练、指令微调、强化学习、智能体评测和行业应用落地的新型生产资料”。这一界定揭示了数据集定位的根本转变：它不是数据的汇集，而是经过全流程加工、能够直接驱动模型迭代的活性资产。这一概念的政策含义在于：在数据集建设中，必须建立覆盖采集、加工、质检、流通、应用全链条的工程化体系。

（二）核心特征

多源异构性。工业数据涵盖传感器时序、设备参数、图像视觉、三维模型、工艺文本、运维日志等多种模态，来源广泛、格式多样。多源异构数据的融合治理成为数据集建设的前提性难题。

知识密集性。数据集质量高度依赖对行业机理、工艺流程的深刻理解，数据标注需具备专业背景，无法通过通用流程完成，必须嵌入行业知识体系。

安全敏感性。工业数据涉及核心工艺、供应链信息等商业秘密，部分关乎关键基础设施安全，流通共享中必须建立严格的安全保护与权限管控机制。

上述特征意味着，工业高质量数据集建设不能复制消费互联网模式，必须建立适配工业场景的专门方法论。

二、结构性困境：数据价值释放的三重瓶颈

工业数据要素的价值释放，面临“采不全、集不拢、用不好”三重瓶颈，三者相互 嵌套、彼此锁定。

（一）采不全：源头供给碎片化

一是大量中小企业老旧设备无标准化数据接口和通信能力，高端装备协议封闭；二是多源异构数据兼容难度高，缺乏统一规范；三是采集成本居高不下。采集环节的碎片化直接导致后续治理缺乏完整数据原料。

（二）集不拢：跨主体流通机制缺失

一是行业数据标准缺失，不同来源数据难以互操作；二是数据主权不清，企业对数属和使用范围存有顾虑；三是安全可信的流通渠道和规范化交易机制缺位；四是数据资产价机制尚未形成。

（三）用不好：应用转化能力不足

一是建设路径不清，企业面临“想建不会建、不建怕掉队”的决策困境；二是面向工业多模态数据的处理、标注、合成等关键技术尚不成熟；三是既懂行业又懂数据的复合型人才短缺；四是有推广价值的标杆案例不足。

三重瓶颈的相互强化机制

三者构成自我强化闭环（见表 1）：采集碎片化导致可汇聚基数不足；汇聚不畅使数据难以形成规模效应，降低采集投入回报；应用转化困难使价值变现受阻，反向抑制采集与汇聚积极性。企业越看不到价值越不愿投入，越不投入越难产生价值，形成了“低水平均衡”。这也决定了单点突破难以奏效，必须协同发力才能打破锁定效应。

表 1 “采不全”“集不拢”“用不好”三重瓶颈的强化效应与作用机制

三、政策供给的体系化回应

（一）工业数据筑基行动：先行先试打破路径依赖

2026 年 2 月启动的工业数据筑基行动确立了“小切口”先行先试策略——以典型场景需求牵引，聚焦关键环节试点，避免“大而全”推进造成高成本高风险。在实施主体上，依托重点行业企业、平台机构、先进制造业集群、中小企业数字化转型城市试点四类主体组建联合体。联合体以协议明确各方权利义务，以组织化协同降低交易成本。目前，工业数据筑基行动已在 14 个行业数据合作联合体开展先行先试。“模数共振”行动：构建“数据—模型—场景”螺旋式发展闭环

2026 年 4 月启动的“模数共振”行动面向钢铁、石化化工、有色金属等 20 个重点行业，设计“通识—专识”双层架构（见表 2）。

表 2 “模数共振”行动通识数据集与专识数据集的定位分工

通识数据集解决行业共性知识沉淀，降低模型训练门槛；专识数据集解决特定场景精准适配。两层架构形成“共性底座 + 个性适配”协同效应。行动还要求每个省级地区至少建设3 个“模数共振空间”，以物理隔离与权限管控实现“数据可用不可见、模型可算不可得”。

（二）国家数据局实施方案：六大专项行动的闭环逻辑

2026 年 6 月，国家数据局印发实施方案，以“需求牵引、急用先行、应用验证、安全保障”为主线部署六大专项行动（见表 3）。

表 3 国家数据局六大专项行动的核心任务与功能定位

六大专项行动构成从数据“采集—加工—质检—运营”到应用管理、再到价值变现的完整闭环。明确到 2028 年底，建成一批覆盖重点领域的行业高质量数据集。

四、工业高质量数据集建设的四维推进框架

基于上述分析，本文提出工业高质量数据集建设的四维推进框架。

（一）分级分类：遵循工业场景的层级逻辑

工业场景存在从“设备、产线、工厂、企业”到“产业生态”的多重层级，不同层级的数据在融合程度、决策价值、敏感程度等方面差异显著。企业应从设备级或产线级的高价值小场景切入，以“小切口”实现深突破，避免一开始就追求“大而全”的全厂级或产业级数据集建设。这一策略的经济学逻辑在于：降低试错成本、缩短验证周期、快速形成正反馈，从而激发持续投入的动力。

在数据类型维度上，需建立差异化的治理策略（见表 4）：

表 4 工业数据类型划分与差异化治理策略

（二）场景驱动：以应用需求牵引数据集建设

数据集建设必须坚持以场景应用需求为导向。“模数共振”行动要求每个行业梳理不少于 30 种高价值场景，其政策意图在于建立“场景—数据—模型”的映射关系——先明确“用数据解决什么问题”，再倒推“需要什么样的数据”。这一逻辑区别于传统的“先有数据再找应用”的模式，能够有效避免数据建设与业务需求脱节，同时构建评测反馈机制，形成“评测诊断—数据集优化—模型提升”闭环，使数据集建设从一次性工程转变为持续迭代。

（三）联合体协同：破解单点突破的组织困境

工业高质量数据集建设涉及数据提供方、技术提供方、模型开发方、应用落地方等多类主体，单一企业难以独立完成全链条建设。联合体模式通过组织化协同降低了单点突破的交易成本。联合体的核心价值不仅在于汇聚资源，更在于建立制度化的协作规则——明确数据贡献、技术投入、收益分配的权利义务，使各方在可预期的制度框架下开展合作。“先行先试”已遴选的14 个联合体覆盖了钢铁、汽车等重点行业。联合体模式的推广需要解决两个关键问题：一是如何平衡龙头企业的主导地位与中小企业的参与权益；二是如何建立可复制的协作规则，使联合体模式从个案经验上升为制度规范。

（四）可信流通：以制度与技术双重保障破除信任壁垒

数据流通面临的核心障碍是信任缺失——数据提供方担心失去控制权，数据需求方担心数据质量不可靠。“模数共振空间”的设计意图在于以“数据主权不转移、价值可流转”为原则，通过技术隔离与权限管控实现数据“可用不可见”。可信数据空间的本质是一种制度化的信任安排——不是依赖单个主体的信用，而是通过技术架构与规则设计建立系统性的可信环境。“实施方案”同时要求加快建立数据交易、资产化评估、利益分配等机制，探索质押融资、作价入股等多元模式。

五、面向智能经济的数据治理转型

工业高质量数据集建设表面上是技术问题，深层则是治理问题。它要求数据治理范式从“资源管理”转向“价值创造”，从“单点治理”转向“生态治理”。

（一）从“有没有数据”到“有没有高质量数据”的范式转变

当前，工业数据治理的着力点需要从扩大数据采集范围转向提升数据质量。高质量数据集的核心衡量标准已不再仅仅是数据量的大小，而是数据能否有效提升模型性能。这一转变要求建立以“人工智能就绪”（AI-Ready）为目标的治理框架——数据治理的最终评价标准不是数据是否被采集和存储，而是数据能否被模型有效使用。

（二）标准体系的先导作用标准是高质量数据集建设的“通用语言”。

在国家数据局指导下，全国数据标准化技术委员会已发布《高质量数据集建设指南》《高质量数据集格式要求》《高质量数据集分类指南》《高质量数据集质量测评规范》等 4 项技术文件，《高质量数据集建设运营能力成熟度模型》国家标准也已获批立项。标准体系的构建为数据集的质量判定提供了“标尺”，为数据流通提供了“语言”，为产业发展提供了“规则”。

下一步需要推动标准从技术文件向行业实践转化，将标准落地与政策支持、政府采购、招投标相结合。

（三）从“自产自用”到“生态协同”的产业组织变革

长期以来，工业数据的开发利用以“自产自用”为主导模式——企业采集自己的数据、训练自己的模型、解决自己的问题。这一模式在数据体量小、应用需求简单的阶段尚可运行，但在大模型时代已难以为继。行业高质量数据集已从模型附属品转变为可流转、复用和交易的生产要素。数据供给从“自产自用”向按需流通、精准对接转变，需要建立专业化的数据供给体系与生态化的协作网络。

工业高质量数据集建设是人工智能赋能新型工业化的基础性工程。本文的分析表明，这一工程面临的核心挑战并非技术层面的数据加工难度，而是数据要素价值释放过程中“采不全、集不拢、用不好”三重瓶颈相互强化所形成的结构性困境。打破这一困境，需要从分级分类、场景驱动、联合体协同、可信流通四个维度协同发力，实现数据治理范式从资源管理向价值创造的根本转变。

2026 年以来，密集出台的政策构成了体系化的制度供给。这些政策的核心逻辑在于：以先行先试打破路径依赖，以“数据—模型—场景”螺旋式发展形成正反馈循环，以联合体协同降低交易成本，以可信流通破除信任壁垒。其深层目标是将我国制造业的规模优势与场景优势转化为人工智能时代的竞争优势。面向未来，工业高质量数据集建设的深入推进尚需在标准落地、联合体机制常态化、数据流通规模化等方面持续突破，打通从资源汇聚到价值创造的全链条。

作者单位：中国工业互联网研究院（工业和信息化部密码应用研究中心）、重庆市工业互联网发展研究中心、浙江省图灵互联网研究院