刘海荣（天津市数据发展中心）
摘 要：随着人工智能进入大模型时代，高质量数据已成为驱动模型创新与应用落地的核心生产要素，直接影响模型的准确性、泛化能力及创新应用的深度与广度。现阶段我国大模型产业发展增速较快，但数据供给整体存在 “大而不强、多而不优” 的结构性问题。垂类优质语料供给短缺、数据流通不畅、治理体系滞后、供需匹配失衡等矛盾，制约了大模型技术升级与规模化产业应用。基于此，本文梳理了国内大模型产业数据供给现状，总结了国内重点省市数据治理与语料生态建设的实践经验，剖析了数据要素赋能大模型产业的现实堵点与深层制度成因，并从数据资源化、数据流通化、数据生态化等方面研究探索构建高质量数据供给体系以赋能AI大模型创新发展的实施路径。
关键词：数据要素；AI大模型；高质量数据供给
一、研究背景
随着新一轮科技革命和产业变革向纵深推进，AI大模型成为全球科技竞争的关键力量，全球科技巨头纷纷布局研发。这推动了人工智能从“算法驱动”加速向“数据与算法双轮驱动”转型。目前，高质量训练数据供给已成为决定大模型竞争力和产业落地效果的核心要素，以数据为中心的人工智能发展理念成为行业共识。国家层面近年来密集出台政策，《“数据要素×”三年行动计划（2024—2026年）》《关于深入实施“人工智能+”行动的意见》，均明确了高质量数据供给的核心支撑作用。2025年12月召开的全国数据工作会议明确提出，强化数据赋能人工智能发展，落实高质量数据集建设行动计划；2026年《政府工作报告》进一步提出“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”。这为推进AI大模型创新发展指明了政策方向、提供了制度遵循。
从产业现状来看，我国数据资源总量优势明显，但结构性问题突出，呈现“大而不强、多而不优”的特征。公共开放类基础数据可基本满足基础大模型的通用能力迭代需求，但智能制造、医疗健康等实体经济领域的行业垂类优质数据供给严重不足。各行业沉淀的原始数据多呈现碎片化、非结构化特征，数据价值密度偏低，经清洗、标注、脱敏等标准化处理后的高质量训练数据集较为稀缺，难以支撑大模型在垂直领域的精准落地，是制约产业深度发展的主要瓶颈。
从区域格局来看，国内各地依托科创、产业与市场禀赋，形成了差异化的大模型发展模式。科创优势地区重点开展底层技术研发与基础语料建设，打造AI创新高地；产业优势地区侧重行业场景落地，推动大模型赋能实体经济升级。区域间数据供给、数据治理与流通能力的差异，造成各地大模型产业发展水平不均衡。为此，系统梳理大模型数据供给的现实问题与深层机理，构建适配产业发展的优化路径，对推动我国大模型产业高质量、均衡、可持续发展，具有重要的理论与现实意义。
二、高质量数据供给的概念内涵及价值逻辑
（一）概念内涵
高质量数据供给立足供给能力与数据质量两大维度，面向应用场景输出规模化、高价值数据，兼具过程与结果双重属性。从过程层面，统筹各类主体，优化数据采集、加工、标注、流转全链条效率；从结果层面，严控数据精准、完整、时效与安全，匹配落地使用要求；从生态层面，高质量数据供给是打造 “高质、海量、顺畅流通、多方协同”的数据产业生态（见图1）：海量优质数据夯实资源底座，畅通、流通、盘活数据要素交易，多方协同推动数据有序流转、充分释放价值。
（二）高质量数据供给赋能AI大模型发展的内在逻辑
1.数据质量决定大模型核心能力
大模型一般具有庞大的参数和复杂的网络结构，需要利用海量数据进行训练和优化。数据质量和数量直接决定了模型的训练效果。高质量的数据集能够显著提高AI大模型的精度与可解释性，并减少训练时长。OpenAI 研究团队在预印本《Scaling Laws for Neural Language Models》中提出了缩放法则（Scaling Laws）。其实验表明：在合理区间内，扩大模型参数规模、增加训练数据规模、提高训练计算量，能够持续改善预训练模型性能。后续研究进一步指出，除了数据规模之外，高质量训练数据同样是大模型性能提升的核心支撑因素。
2.数据供给体系支撑大模型产业生态
数据供给体系涵盖从数据采集、清洗、标注到存储、管理和流通的全链条，通过保障数据的准确性、完整性与安全性，为大模型研发、场景落地提供基础支撑。依托数据要素与算法、算力的协同，通过标准化数据共享、完善交易机制等方式破解“数据孤岛”，以高质量、大规模数据集为基础，驱动模型训练、优化及场景落地，实现产业链的智能创新与协同发展 。
3.数据流通效率影响大模型迭代速度
大模型迭代升级依赖持续更新的动态数据，顺畅的流通机制可推动分散数据快速汇聚成训练资源，缩短从数据采集到模型优化的链路周期，实现从批量训练向持续迭代的转变。相反，数据壁垒、格式不兼容会导致数据流通梗阻，即便有海量数据，也难以及时转化为训练资源，拖累模型迭代节奏，因此流通效率是大模型落地的关键影响因素。
4.场景适配性数据催生差异化竞争优势
场景化专用数据能够贴合细分行业业务特征，帮助市场主体构筑差异化技术优势。依托场景数据优化模型参数、优化业务落地路径，能够切实提升产业决策效能；深度挖掘行业沉淀数据，还可研判产业发展趋势、改善产品研发方向，为垂类大模型商业化落地夯实数据根基。
三、我国高质量数据供给的共性堵点
（一）数据治理规范性不足，垂类高质量语料供给短缺
国内各行业原始数据存量丰富，但存储零散、格式杂乱、有效数据占比偏低，加之缺少全国统一的数据加工、标注、质检规范，大量原始数据难以加工为可用训练语料。我国数据标注行业重点企业目前主要集中在北京、上海、杭州等城市，厂商多深耕自动驾驶、通用音视频等领域，深耕医疗、金融等垂类的服务商较稀缺。行业区域与赛道布局不平衡，规模化垂类语料量产体系尚不健全，重点领域优质数据集供给紧缺，制约垂类大模型迭代落地。
（二）数据要素制度尚不完善，跨域流通共享壁垒明显
大模型迭代创新依赖于多类型数据的跨领域融合与复用，然而我国数据要素配套制度仍未全面落地。当前，数据“三权分置”缺乏细化规则，在数据权属、流转方式、收益分配、合规免责等方面的界定模糊。制度的不确定性使得数据持有主体顾虑合规风险与权益损失，普遍存在“不愿共享、不敢开放”的保守心态。加之跨部门、跨行业、跨区域的数据壁垒尚未彻底破除，市场化流通渠道不畅，优质数据资源难以高效汇聚整合，无法为大模型技术迭代提供持续支撑。
（三）产用对接机制尚不健全，数据供需结构性错配突出
国内大模型产业存在显著的结构性供需失衡。多数基础模型基于通用语料进行研发，侧重于优化通用交互与泛化能力；而实体产业落地对模型专业性、场景适配性要求极高，高度依赖专属垂类数据。目前，行业缺乏有效衔接模型研发与产业应用的专业载体和对接机制。通用模型难以适配细分行业的具体场景，行业优质场景数据也难以有效反哺模型迭代，造成数据供给与产业需求之间脱节，制约了大模型产业价值的充分释放。
（四）标准与人才支撑薄弱，产业发展基础保障不足
统一标准与专业人才是数据赋能大模型产业发展的核心基础。现阶段，我国缺乏全国统一的大模型训练数据标准，各行业、区域数据治理规则不统一，数据兼容性差、融合成本高，制约产业规模化、标准化发展。同时，数智复合型交叉人才缺口明显，现有人才体系难以适配行业数据深度治理与垂类模型训练需求，多数行业数据仅能完成浅层加工，无法挖掘数据深层专业价值，成为产业高质量发展的主要短板。
四、国内标杆地区数据赋能大模型的先进经验
北京、上海等地依托科创资源、制度试点、市场生态优势，率先探索数据要素赋能大模型产业发展的成熟路径，在制度创新、语料建设、政策工具、生态培育等方面形成可复制、可推广的先进范式，为全国完善大模型数据供给体系提供了重要参考。
（一）北京：制度先行，构建合规流通体系
北京健全标准体系，成立数据标准技术委员会，搭建数据标准平台，研制数据交易、安全评估、匿名化处理等急需标准，推动数据供给规范化。率先创建全国首个数据基础制度先行区，发布数据基础制度先行区创建方案和政策清单，出台数据资产首登记、首交易、首入表和首开放等创新的奖励措施。建成全国首个人工智能数据训练基地，推动“数、算、模、用”一体化发展，构建起“政府引导+市场化运营”的数据要素流通生态。搭建AI专属数据训练基地与数据沙箱监管体系，构建“数据可用不可见”的合规流通范式。同时，创新推出数据券、算力券等市场化政策工具，有效降低中小AI企业用数成本、研发门槛，形成“制度创新+合规保障+政策激励”的成熟发展模式，持续领跑全国通用大模型研发与数据生态建设。
（二）上海：聚焦语料，打造专业供给体系
上海紧扣大模型产业发展核心诉求，聚焦语料供给质量提升与创新生态培育，率先建成全国首个大模型创新生态社区“模速空间”，并由上海市委、市政府部署组建市级功能性语料平台企业——上海库帕思科技有限公司，从内外双向构建全方位语料供给体系。对外，打造全国首个语料运营公共服务统一门户，遵循“1+N”运行框架（“1”为基础核心语料主门户，“N”为垂直领域专业语料子门户），推动语料调用Agent化与上链管理；对内，发布语料工具链平台2.0，搭建功能模块提升语料处理效率。同时，联合行业伙伴共建医疗、具身智能等特色语料库，精准匹配垂类大模型训练需求。此外，聚焦医疗、教育、金融、自动驾驶、科学智能、城市治理等方向，集中发布10项语料团体标准，并联合中国信息通信研究院共同发布3项行业标准、1项高质量数据集建设指南，为“好数据”确立可量化的标尺。
（三）杭州：平台筑基，打通供需联动体系
杭州立足大模型数据保障需求，以多层次平台体系为核心搭建全链条数据供给底座。率先落地“三数一链+” 可信流通基础设施框架，构建城市可信数据空间，夯实合规流通底层架构；建成杭州国家语料库、建设人工智能产业生态服务平台，依托“揭榜挂帅”机制布局医疗、工业、具身智能等14个领域高质量数据集。依托省市县一体化公共数据平台与“城市大脑”，实施公共数据“全量全要素”归集，构建闭环治理机制；联动魔搭社区（杭州）开发者中心等开源生态，撬动社会化数据集供给。配套高新区（滨江）每年5000万元“语料券”（单企最高200万元补贴）、优质数据集建设奖励、数商认定授牌、标杆场景项目分级奖励等政策，依托平台生态从供需两端压降企业使用数据成本。
（四）深圳：场景牵引，拓宽数据来源体系
深圳以制度规范打底、全产业场景落地为抓手拓展高质量数据源。先行出台大模型落地指引、全国首个《生成式人工智能服务交易合规评估规范》；依托政务云沉淀3.5PB公共语料、储备29个市级优质数据集；以场景落地破局，福田出台全国首个区级公共数据授权运营办法并落地普惠金融、商保理赔数据产品，宝安、龙华建设具身智能数据采集基地和城市级高保真仿真平台，支撑自动驾驶、人形机器人大模型实训；上架千余套AI语料，依托前海、河套探索跨境数据流通，配套落实年度专项语料券补贴，依托AI语料联盟推进开源共建，围绕实景应用持续培育数据产业生态。
五、构建高质量数据供给体系的路径
针对我国大模型数据供给治理规范不足、要素流通受阻、供需结构失衡、标准与人才配套缺位等现实短板，结合北京、上海、杭州、深圳各地实践经验，立足顶层设计视角，从数据资源化、数据流通化、数据生态化三个维度完善制度规则与落地举措，系统性补齐高质量数据供给制度短板。
（一）推进数据资源化，以制度规范夯实大模型数据资源底座
聚焦行业数据零散无序、治理规范缺位、垂类优质语料供给不足等问题，从顶层制度层面统筹数据资源归集与标准化治理。一是建立国家级行业数据集统筹建设制度，由国家数据局联合各行业主管部门，围绕智能制造、医疗、金融、政务等重点领域，统筹归集公共数据、合规企业数据与行业场景数据，破除跨部门“数据孤岛”，分级建设国家级、省级行业数据资源池。二是出台全国统一的数据治理规范性制度，统一数据归集、结构化处理、标注、脱敏、质检全流程标准，依托智能工具辅以人工校验盘活存量低效数据。三是落地语料动态管理相关制度，搭建国家级大模型数据集质量评测平台，建立数据集定期核验、动态更新与淘汰退出机制，从制度层面保障垂类训练数据持续提质增量，破解垂直领域优质语料短缺难题。
（二）推进数据流通化，健全合规有序的数据要素流通制度
围绕数据权属模糊、市场主体不敢共享、跨域流通壁垒突出等痛点，从制度、技术、市场三层完善数据流通保障规则。一是加快落地“数据二十条”配套细则，细化数据“三权分置”落地制度，明确公共数据授权运营细则、企业数据流转权责、数据产品收益分配与容错免责条款，从制度上打消数据持有主体开放顾虑。二是出台可信数据流通推广指导规则，鼓励各地落地隐私计算、数据沙箱、可信数据空间应用规范，固化 “数据可用不可见” 合规模式，在严守数据安全与个人隐私前提下打通跨行业、跨区域流通堵点。三是完善数据要素市场化配套制度，依托各级数据交易场所规范数据商准入、数据定价、交易溯源相关规则，引导优质训练数据精准对接大模型研发主体。
（三）推进数据生态化，完善全链条配套制度
针对供需对接不畅、行业标准不一、复合型人才短缺等基础性问题，从产业、标准、人才、监管多维度完善配套制度体系。一是完善产用对接扶持制度，借鉴上海 “模速空间”、杭州 AI 产业服务平台建设经验，出台扶持专业数据服务机构的相关政策，搭建链接大模型研发企业与实体产业的公共对接平台，建立行业场景数据归集、利用、回流常态化机制，化解数据供需结构性错配。二是加快全国统一AI训练数据国家标准落地配套制度，统一数据分类、标注、评测、安全管理规范，消除区域、行业标准壁垒；同步完善交叉学科人才培育扶持制度，推动高校增设数智复合相关专业，依托专项补贴、校企合作等方式补齐复合型人才缺口。三是健全大模型训练数据监管制度，完善数据伦理审查、安全评估、全流程溯源管理制度，稳步扩大数据资产入表试点范围，引导社会资本参与语料产业建设，形成“数据治理—合规流通—模型迭代—场景落地—数据回流”的闭环生态制度体系。
参考文献
[1]王鹏,丁一桐.高质量数据集赋能人工智能产业发展研究[J].特区实践与理论,2025,(2):36-44.
[2]杨艳,林凌.数据要素高质量供给：内涵解析、困境挑战与规制设计[J].电子政务,2024,(11):15-26.
[3]张苑,瞿晶晶,姚景怡.完善语料数据生态，赋能大模型产业发展[J].世界科学,2025,(3):13-15.
[4]阚骅宇.国内外数据标注产业发展分析研究[R].北京：赛博研究院，2025.
（刘海荣系天津市数据发展中心经济师）