闫一新 左佐卉（工业和信息化部电子第五研究所；中国电子信息产业发展研究院）
摘 要：工业数据集是工业领域实现数字化、智能化转型的关键基础资源，是赋能工业人工智能模型训练、工业软件开发、工业互联网平台的“燃料”。我国应加快建设高质量、结构化、可共享的工业数据集，为推动新型工业化、加快产业基础高级化和产业链现代化夯实工业数据底座。
关键词：工业数据集；高质量数据；工业数据底座
党中央、国务院高度重视工业数据资源开发利用，《“十四五”大数据产业发展规划》对工业数据集建设提出明确要求。工业数据集是工业领域实现数字化、智能化转型的关键基础资源，是赋能工业人工智能模型训练、工业软件开发、工业互联网平台的“燃料”。对此，我国应加快建设高质量、结构化、可共享的工业数据集，为推动新型工业化、加快产业基础高级化和产业链现代化夯实工业数据底座。
一、自上而下：工业数据集建设如火如荼
（一）国家层面政策支持体系逐步形成
近年来，工业和信息化部、国家数据局等主管部门先后出台系列政策措施，从顶层设计、标准规范、资源投入等多方面持续发力，逐步构建起较为系统的工业数据集政策支持体系。2022年12月，工业和信息化部印发《工业和信息化领域数据安全管理办法(试行)》，将工业各行业各领域在研发设计、生产制造、经营管理、运行维护、平台运营等过程中产生和收集的数据纳入工业数据范畴，推进数据开发利用与数据安全标准体系建设，规范工业和信息化领域数据处理活动与安全管理工作。2024年，工业和信息化部启动工业领域数据要素应用场景典型实践案例征集与评选工作，推动地方和行业总结可复制、可推广的建设经验。与此同时，国家层面积极统筹部署重大项目资源，支持重点领域的数据集建设。围绕智能制造、绿色低碳、工业互联网平台、工业大模型等重点方向，组织实施多个专项工程，加快培育高质量、行业通用、可共享的数据集，提升工业数据资源的可用性和价值密度。相关支持措施涵盖资金投入、能力平台建设、场景协同、试点示范等，初步形成了从政策引导到技术支撑、从点上突破到系统布局的政策支持体系。
（二）地方政策密集落地，工业数据集建设多点突破
2025年以来，不少省份出台工业数据集建设指引、支持政策，各地政府与重点行业龙头企业迅速响应，围绕自身产业基础和数据资源禀赋，探索开展多样化的工业数据集建设实践。北京市印发《北京市人工智能赋能新型工业化行动方案（2025年）》，支持工业企业使用数据沙盒制度保障数据集隐私安全，对数据首登记、首入表、首交易、首开放等给予奖励支持。山东省开展工业领域重点行业产业数据仓和知识语料库征集工作，支持聚焦工业研发、生产等环节，对设备运行数据、工艺参数等数据进行清洗标注，形成用于行业大模型的通识、专识数据集。江苏省无锡市发放“数据券”，支持企业面向制造领域建设高质量数据集，对用于大模型研发且示范效应明显的企业给予最高200万元补助。广东省聚焦汽车、机器人、电子信息等优势产业，开展高质量工业数据集建设试点，形成面向人工智能训练的专业数据产品。
（三）重点行业数据集建设初具规模
一是汽车行业数据集加快集聚。以华为、长安、比亚迪等龙头企业为代表，围绕智能驾驶、整车研发与测试、车联网服务等应用场景，构建了车辆运行、自动驾驶仿真、道路交通环境感知等多类型数据集。二是电子制造领域加快建设生产运维类数据集。中电科、京东方等企业聚焦高精密制造过程中的设备状态监测、缺陷检测、良率优化等关键环节，建设了一批涵盖传感器数据、图像数据和工艺参数的复合型数据集。三是工业大模型所需语料数据集加速构建。依托地方政府、科研院所和平台企业，多地布局通用工业语料库、设备运维数据、质量预测数据等预训练数据集的建设。上海市持续推进公共数据开放平台建设，已开放包括部分工业、园区、供应链类多领域数据集，智能制造数据更多通过 行业性、场景化、可信流通机制 （如工业数据空间、链主企业带动的生态内共享）释放。
二、工业数据集建设面临的主要问题
（一）高质量数据资源稀缺，采集与标注能力待提升
一是采集难度大。工业数据天然具有“异构、动态、高维度”等特点，涉及设备、流程、环境、人机交互等多类型数据，采集难度大、标准化程度低。尤其在复杂工况、多设备协同的工业现场，海量数据往往未经清洗或缺乏语义标签，无法直接用于训练AI模型。二是专业标注能力弱。工业数据对时效性与精度要求极高，而当前数据标注市场更多聚焦消费互联网场景，专业标注能力和工具支撑尚不成熟。三是数据来源分散。当前工业数据多分散在企业内部，不同厂商设备协议不一、采样频率不同，存在大量非结构化数据（图像、语音、日志等）。缺乏统一的数据清洗、标注、治理流程，导致原始数据质量低，难以直接用于模型训练。
（二）标准规范尚未统一，应用与共享能力待加强
一是行业标准缺乏，数据质量参差不齐。当前，工业数据在分类分级、元数据管理、接口协议、数据建模等方面尚未形成统一的行业标准，导致企业间数据质量、结构、可用性等方面存在较大差异。设备数据、生产过程数据、环境监测数据等在不同企业间采用的标准各异，造成信息交换时常面临不兼容的情况，进而影响数据的整合与应用。二是企业间数据壁垒严重，数据孤岛效应突出。由于不同厂商的设备协议差异、数据采集频率不统一等问题，企业难以打破数据壁垒，无法充分利用产业链中的关键数据。如，制造业中，设备的生产数据和运维数据往往仅限于企业内部流通，无法有效与上下游企业共享，限制了数据协同的潜力，影响整体生产效率的提升。三是缺乏可信中介机构，数据交换安全性不足。目前，数据流通主要依赖企业间自主协作，缺少可信的第三方中介机构来促进数据交换和共享。这种合作模式缺乏标准化和保障，导致数据共享过程中存在安全性、合规性等隐患，无法有效确保数据在流通过程中的隐私安全和知识产权。四是数据开放的合规性和利益分配问题依然是行业级数据集建设的障碍。企业普遍担忧核心数据的泄露、滥用以及对知识产权的保护不足，这些顾虑导致许多企业对共享数据持保守态度。
（三）企业参与动力不足，投入回报机制尚未形成
一是数据安全保障不足，企业担忧数据泄露。工业企业普遍担心核心生产数据的外泄，尤其是在涉及智能制造、工业互联网等领域时，生产数据往往包含企业的关键技术、生产工艺等信息。由于数据安全保障措施不完善，企业对数据共享和开放持谨慎态度。尤其是中小企业，由于缺乏足够的资金和技术支撑，无法承担数据安全保护的成本，导致“数据不愿出、不敢用、不易流通”现象严重。二是数据资产化收益机制尚未建立。目前，大多数企业缺乏对工业数据的资产化认识和相关机制，未能将数据作为一种可增值的资产进行管理。数据作为资源的价值尚未得到充分发掘，企业在数据集建设中的投入缺乏预期回报，从而影响了企业对于数据共享、流通和交易的积极性。三是建设周期长、成本高，缺乏变现路径。工业数据集建设周期长、成本高、技术门槛高。企业在参与数据集建设时，需投入大量资金、技术力量和人力资源，但现阶段，很多企业缺乏成熟的数据集变现路径，尚未见到可观的商业化回报。尽管数据集建设能够为企业带来潜在的智能化升级和生产优化，但其价值的具体体现仍不清晰，导致企业在数据共享和投入上的积极性不足。四是数据资源集中度低，跨企业协同难度大。即便一些龙头企业积极牵头建设数据集，也面临数据资源集中度低、跨企业数据协同难度大等问题。很多行业中的数据分散在不同的企业和生产环节，难以形成统一的、标准化的数据资源池。跨企业的协同难度较高，缺乏有效的激励机制来促进企业间的数据共享和资源整合，造成数据集建设进度缓慢。
（四）公共平台支撑能力不足，资源分散难整合
一是中台平台多为定制化开发，缺乏通用性和可复用性。当前，支撑工业数据集建设的中台平台多由企业自建，定制化开发的比例较大，导致其通用性差、可复用程度低。此类平台大多仅服务单一企业或局部产业链，无法适应行业间或企业间数据集成的需求。缺乏统一的工具链体系使得各平台之间的数据流动和处理效率低，无法有效支持跨行业、跨企业的数据共享和流通。二是高度依赖国外产品，安全性、稳定性欠缺。在数据标注、版本管理、质量评估、隐私保护等关键环节，当前平台普遍依赖国外技术和产品，如使用国外的标注工具和数据治理平台。国内企业在工业数据集建设过程中难以避免对外部技术的依赖，使得数据处理过程中的安全性、可靠性和自主性受到影响。三是平台规模小、覆盖窄，功能不足。尽管部分国家级和地方级工业数据平台已经建设并投入使用，但这些平台总体呈现出“点状分布、条块分割”的态势，普遍存在规模小、覆盖面窄、功能弱等问题。大多数平台仍处于初步发展阶段，定位为展示型、统计型，缺乏面向数据集建设的深度聚合、分级共享、安全调用等核心功能，难以形成高效、可靠的数据资源整合和共享体系。四是平台间标准不统一，数据互联互通难。当前，各类工业数据平台间的接口协议、技术规范不统一，数据标准高度碎片化，导致平台间的数据互联互通面临障碍。由于缺乏统一的技术规范和标准，平台间数据难以有效融合，资源整合效率低下，重复建设现象时有发生。这种碎片化的数据环境，难以支撑工业领域高质量数据资源的沉淀、融合与价值转化，影响了数据集建设的整体效益。
三、多措并举护航工业高质量数据集建设
（一）强化统筹布局，健全顶层制度设计
一是加快制定国家工业数据集建设专项政策文件，如工业领域高质量数据集建设规范、行业级数据分类分级指南、工业数据资产评价规范等国家或行业标准，明确责任分工、建设目标与考核机制。二是推动数据标准化、标签化、结构化。统筹推动多层级标准体系建设，制定涵盖数据采集、标注、清洗、分类、脱敏、共享等关键环节的统一规范，实现不同地区、行业、企业间的互联互通。三是推动构建“基础共用+行业特色+区域协同”的多维数据集体系，增强政策合力和工程协同性。
（二）完善激励机制，激发企业数据供给意愿
一方面，建立数据确权与收益分配机制。加快推进工业数据确权试点，探索形成分类分级、主体明晰、权益明辨的数据产权制度。完善数据资产评估和收益分配机制，引导企业通过数据共享获得合理回报，增强数据供给的积极性和可持续性。另一方面，推动产业协同建集模式创新。鼓励行业龙头企业、链主企业、工业互联网平台企业牵头，联合上下游企业共同建设行业级数据集。支持行业协会、联盟等社会组织搭建协同建集机制，推动标准统一、接口互通、责任共担，降低中小企业参与数据建设与共享的门槛和成本。
（三）推动建立数据确权、共享与交易机制
一是加快构建适配工业场景的数据权属制度，探索采集权、使用权、经营权相分离的“三权分置”机制，明确各类主体在数据全生命周期中的权责界限，推动“授权运营、合规共享”的新型治理模式落地。二是加强制度创新，支持构建以可信中介为支撑的工业数据共享平台和数据沙盒环境，在满足数据安全与隐私保护要求前提下，实现“可用不可见”“按需可控”的数据使用与交互，破解企业“敢共享、难共享”的核心障碍。三是推动建立数据资产化和市场化路径，支持工业数据在各级数据交易所进行确权、估值、登记入表与交易流通，探索“按使用计价”“按结果分成”等多元化定价机制，促进数据资源向数据资产的转化，形成可持续的工业数据要素价值实现链条。
（四）提升数据治理水平，夯实高质量数据基础
一是加快工业数据标准体系建设。聚焦关键行业和重点环节，推动制定涵盖设备、工艺流程、数据标签、接口协议等方面的通用标准，构建统一的数据规范体系，解决当前数据采集格式不统一、语义理解不一致等问题。鼓励行业龙头企业牵头制定团体标准，并逐步向国家标准、行业标准转化，推动数据标准体系与国际标准衔接。二是增强复杂工况下的数据采集与处理能力。聚焦高温高压、强腐蚀、高速运行等工业场景，推动工业数据采集、传输、融合等关键技术攻关，提升数据实时采集、边缘处理与精准融合能力。支持研发高性能传感器、工业网关与边缘计算设备，提高数据完整性、稳定性和准确性。完善工业数据清洗、脱敏、结构化处理流程，为后续数据分析、建模和应用提供可靠支撑。三是健全数据治理机制与工具体系。建立涵盖数据采集、处理、存储、共享、安全等环节的全生命周期治理体系。推动建设数据质量评估指标体系与评价模型，提升数据可用性、时效性和一致性。加快研发数据自动标注、智能审核、质量检测、权限控制等治理工具，构建灵活高效、可管可控的数据治理能力，为高质量数据集建设提供制度和工具支撑。
（五）建设高能级平台体系，提升集聚共享能力
一是打造行业引领性公共平台。依托国家工业互联网平台、制造业创新中心、工业大数据中心等现有资源，布局建设一批具有行业引领力和生态牵引力的数据集公共平台。聚焦重点产业链和战略性新兴产业，推进基础数据集、专业数据集和综合性数据服务的集成供给，形成可持续发展的平台生态。二是提升平台功能集成与数据服务能力。推动平台从“数据存储”向“资源集聚、共享服务、价值释放”闭环转型，强化数据采集、清洗、建集、验证、共享、交易等全流程能力集成。鼓励平台聚焦行业痛点构建特色数据模型和开发工具包，支撑企业开展智能设计、流程优化、预测维护等应用创新。三是推动平台互联互通与数据高效流通。推动建立统一的数据接口标准、元数据体系和数据模型，实现跨平台数据集成、互认和共享。探索建设跨平台数据调用机制和可信流通通道，支持基于权限的分级共享和动态管理，保障数据在合规、安全、可控前提下实现高效流转，解决“信息孤岛”“重复建设”等问题。
（闫一新系工业和信息化部电子第五研究所工程师；左佐卉系中国电子信息产业发展研究院副研究员）