推进高质量工业数据集建设倡议实施方案（征求意见稿）

（供反馈的草稿） 高质量的工业数据集是经过数据处理（包括收集、处理等操作）的行业数据集合；可直接用于开发和训练人工智能（AI）模型；并能有效提升模型、智能代理和智能终端设备等应用的有效性。它们包括工业通用知识数据集和工业专业知识数据集。高质量的工业数据集是推动“AI+”赋能各行各业、实现产业升级的基础性关键资源。 实施。制定本计划旨在落实《“十四五”国家经济社会发展规划纲要》，全面实施“AI+”行动，推动与“AI+”相协调、相促进的高质量工业数据集建设和应用，强化数据对赋能人工智能创新发展的作用。 1. 总体要求 在习近平新时代中国特色社会主义思想指引下，我们将全面贯彻落实党的二十大精神及历次全会精神，全面实施“AI+”行动，主动适应人工智能发展范式转变，遵循“需求牵引、急用先行、应用实效、安全可控”的原则。聚焦国民经济重点产业和战略性新兴产业，围绕高质量工业数据集的供给、流通和应用等关键环节，启动六项专项举措：（1）强基扩能，（2）破解数据标注难题，（3）提升质量效率，（4）赋能应用，（5）管理服务，（6）价值创造。这将形成“数据飞轮”机制——即“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”，并加速构建数据要素（数据要素）与人工智能协同演进的共生生态系统。 到2028年底，将建成一批覆盖重点领域、经应用验证的高质量工业数据集；将打造一批数据驱动AI创新发展的典型应用场景；将培育一批具有领先优势的创新数据企业和专业人才；将研发一批建设高质量工业数据集的标准和工具。数据供给到价值创造的正向循环将基本形成，数据赋能AI创新发展的作用将更加凸显，数据产业与AI将深度融合，智能经济的新增长点将不断涌现。 实施强化基础、提升能力倡议 为应对人工智能加速渗透产业及其从对话向多模态生成、决策和执行转变的范式转移，以及具身人工智能、物理交互等领域的趋势，应拓宽数据供应渠道，丰富供应的数据类型，并加速高质量工业数据集的建设，为人工智能的开发和应用提供充足的“燃料”。 聚焦重点领域，推进高质量数据集建设。重点关注科研、工业制造、农业农村、智能能源、交通运输、金融服务、医疗健康、教育教學、电子商务、人力资源、文化旅游、应急管理、气象服务、绿色低碳发展、公共安全、城市治理、住房建设、自然资源等关键领域，以及低空经济、具身人工智能、智能驾驶、智慧海洋、生物制造等创新领域，加速推进高质量工业数据集建设。 （2）系统推进高质量工业数据集建设。盘点产业数据资源和应用场景，建立数据资源与数据集需求清单。以应用为牵引，持续推进高质量工业数据集建设试点项目，加快形成一批可复制、可推广的数据驱动示范场景。强化产业链链主单位的引领带动作用，促进产业链上下游协同发展和资源整合，持续扩大高质量工业数据集供给规模，鼓励链主企业向行业开放数据集并提供数据服务。加强公共数据资源开发和利用，基于公共数据建设一批高质量数据集。 （3）紧跟人工智能发展，推进高质量工业数据集建设。针对人工智能预训练、指令微调、强化学习、评估等各个阶段，持续推进文本、代码、图像、音频、视频、点云、时序数据、科学数据等各类多模态高质量数据集的建设。面向智能体及其他新型智能应用，加强知识库、知识图谱、本体等数据集的建设，并加速复杂任务规划、长程推理、人机交互、决策执行等任务的数据集建设。为满足具身人工智能的发展需求，加速推进关键场景下机器与真实世界交互（真机交互）数据集的建设，涉及物理交互、环境感知、运动控制等功能，并积极应用仿真、模拟和合成技术拓展数据供给。积极规划世界模型等前沿方向的数据集建设。 （4）强化与数据基础设施建设的有机衔接。鼓励依托国家数据基础设施，充分发挥其能力，例如 隐私保护计算和可信数据空间，开展安全数据集存储、可信流转和高效应用，推动数据集从分散持有向集约化、标准化供给转变。鼓励探索构建支持大规模、多模态数据集的数据基础设施存储能力中心。 实施应对数据标注挑战的计划 数据标注是将知识与经验注入训练数据的过程，是构建高质量工业数据集不可或缺的关键环节。引导数据标注从以人工为主向人机协同、专家深度参与的多级标注模型转型，并推动数据标注向专业化、智能化和体系化迈进。 （5）推动数据标注的转型升级。加强数据标注领域的科技创新，加强自动化工具和平台的研发与应用，发展“模型预标注+人工校准”、“人工标注+模型验证”和“模型预标注+模型验证”等智能化标注服务，全面提升数据标注能力。发展专家数据标注服务，建立行业专家认证和注册机制，促进专家深度参与指令微调和强化学习等阶段所需的领域知识等专业性知识标注，为逻辑推理、领域知识等领域生产高质量数据集，提升数据集的知识密度和专业价值。 （6）继续推进数据标注的试点和试验工作。指导开展数据标注试点任务的第一批七个城市，继续加强和深化数据标注产业。对于创新能力强、发展基础好、产业特色鲜明的地区，分步安排一批数据标注创新试点园区。指导有条件的地区结合本地实际有序开展试点园区建设，避免盲目跟风（一哄而上），防止同质化、低水平重复建设，促进数据标注产业链上下游紧密协作，形成产业集聚效应。培育一批数据标注领域的领军企业、独角兽企业和瞪羚企业，扩大数据标注产业。 （7）扩大数据标注人才供给。支持有条件的高校开设数据标注相关课程，并依托产教融合 培养具备专业知识的数据标注人才，可通过整合、校企合作及其他方式。鼓励对数据标注职业技能水平的认可，加强继续教育和在职培训，为人才培养开辟途径。完善分层分类的人才评价体系，建立由专职和兼职人员组成的专业标注人才队伍。鼓励高校和大学毕业生及其他群体参与标注工作，通过灵活就业、项目合作、多样化岗位供给等途径，拓宽就业渠道。 实施提升质量与效率计划 促进构建符合质量标准（如结构完整性、内容多样性、标注准确性和模型适应性）且满足人工智能就绪要求的高质量数据集，以降低训练和推理成本，有效提升模型性能。 （8）提升高质量产业数据集构建的质量与效率。加强在数据清洗、增强、标注、对齐、质量检测等关键技术，以及自动化工具的研发与应用方面的努力，以支持高质量产业数据集的高标准、高效率构建。针对具体的产业应用场景，鼓励使用智能数据过滤与融合等技术，构建更精细、更强大的高知识密度数据集，并降低训练与推理成本。充分发挥数据合成在数据集构建中的积极作用，利用模型、仿真系统及其他方式生成数据，以解决数据稀缺场景下数据集构建困难、现实场景数据采集成本高等问题。 （9）推动高质量数据集标准体系的制定与实践应用。加快制定高质量数据集在格式、类型、标注、质量评估等方面的相关国家标准，并完善高质量数据集标准体系。鼓励各行业和地区与国家标准相协调，推动重点行业领域高质量数据集标准的制定。加强标准应用验证和标准实施，促进高质量数据集的标准化建设。 （10）强化高质量数据集的质量评估和结果互认。持续推进“数据质量验证+模型应用反馈”的评估方法，加快评价数据集的建设。 覆盖多个行业、场景和模式，有效评估高质量数据集的应用效果。发起高质量数据集评价联合行动，鼓励相关单位按照标准、采用统一的评价方案和工具开展评价和包装工作，实现“一评尽用、全国互认”。 实施赋能应用程序计划 坚持将高质量产业数据集建设与实际应用深度融合，以模型引数、用数赋模，推动高质量数据集建设与“数据要素×”和“AI+”行动同频共振、相互促进，全面赋能产业数智化转型。 （11）构建“数据飞轮”的闭环应用。以模型应用指导数据供给，以数据驱动模型迭代，形成“场景—数据—模型”协同发展的良性循环。发挥“AI+”场景的驱动作用，促进数据供给与场景的精准匹配，通过应用促进建设（以建促用），以实际需求吸引更多数据资源汇聚，推动高质量工业数据集的有效供给和持续优化。结合“数据生产要素×”行动，深化高质量工业数据集建设，以建设促应用，充分利用模型应用产生的动态交互数据，驱动行业模型能力的持续提升。 （12）制定行业应用基准和示范项目。重点创建数据赋能工场，将“数据集生产、处理、流通和利用”与“支持模型训练和应用”相结合，创建一批行业基准，加速人工智能应用落地。创建一批“数据×智能体”示范项目，建立成功运用高质量数据集驱动智能体解决实际问题的模式，引领和推动大规模应用。 （13）培养协作式数据集开发繁荣生态系统。 加强统筹协调，强化部门联动，由行业和领域共同有序推进高质量数据集的建设和应用。搭建企业、高校、科研院所、行业协会、金融机构等多元主体交流合作平台，构建联合发展、共享共赢的产业生态体系。 互利共赢，实现共赢成果。定期举办供需对接活动，提高供需匹配效率，推动实质性合作落地。组织优质工业数据集建设和应用典型案例评选，发挥其在提供行业示范和指导方面的作用。支持举办优质工业数据集创新竞赛及其他相关活动，以竞赛促进建设与应用。深化国际交流合作，鼓励从事优质工业数据集建设的相关主体积极参与全球数据生态体系发展。 实施管理服务计划 强化数据集管理，完善数据伦理与治理机制，推动数据权属利益相关系统落实，使数据集构建体系更加规范有序。 （14）构建数据集全生命周期管理系统。加强覆盖数据采集、处理、标注、质检、评估、迭代、审计等全生命周期的数据集管理服务能力建设。依托数据基础设施，加强隐私计算、区块链等技术的应用，确保数据可管理、可控制、可追溯。建设“物理分散、逻辑集中”的国家数据集管理平台，实现数据集目录、供需等信息互联互通、互操作性。支持地方和行业依托国家平台设立专门区域，支持现有平台与国家平台的对接。 （15）探索与人工智能发展相关的数据权利和利益相关体系。依据数据持有权、使用权、经营权“三权分置”的原则，明确数据集财产权的分配安排。在保护合法权利和利益的前提下，适度扩大著作权合理使用的范围。平衡产权保护与创新发展的需求，探索人工智能训练阶段的灵活监管体系，营造权责清晰、合规包容的制度环境。 (16) 坚持以伦理为先，秉持公平与包容的原则。研究探索高质量数据集的伦理规范，坚持社会公益的价值导向，严禁非法收集或使用敏感数据，防范整个过程中产生的数据偏见与歧视。 在数据集构建中，应充分考虑到社会各界的多样化需求，并尽可能确保数据集构建的成果惠及全体人民。 7. 实施创造价值倡议 充分发挥数据集的应用价值，运用高质量工业数据集赋能人工智能发展。实现数据集作为生产要素的价值，推动数据集商业化与资产化，培育数据付费的市场共识，探索基于通证的估值体系。 （17）充分发挥高质量工业数据集的应用价值。建立数据集与模型需求对接机制，促进高质量工业数据集与模型的精准适配，提升模型质量与效率，深度赋能产业发展。推动高质量工业数据集在行业、领域、场景中的综合应用，鼓励“数据换数据”“数据-模型交换”“数据托管”和“数据与算力一体化”等多种应用模式，激发数据使用活力。积极参与开源社区发展，鼓励中介机构和公益机构将基础性、公益性数据作为公共产品向社会开放，激发数据使用活力。 （18）为高质量工业数据集创新商业模式。完善长期数据集运营机制，鼓励数据集在数据交易所及其他数据流通服务机构挂牌交易，发展“订阅模式”、“市场模式”和“定制模式”等多样化服务形式，推动商业模式从基础数据包销售向应用编程接口（API）调用、基于模型的解决方案和全栈服务逐级升级。探索代币交易等新型交易模式，并基于代币构建可量化、可定价的数据集价值体系。 （19）探索将高质量工业数据集资产化的创新路径。鼓励具备资质的工作单元牵头探索数据集资产清查、登记、评估等试点工作，并积累可复制、可扩展的数据资产化经验。鼓励探索数据集质押融资、作价入股（以资产换股权）、资产证券化、数据信托和数据保险等多元化的创新资产化模式，拓宽数据价值转化的渠道。 （20）培养为高质量数据付费的市场共识。建立并完善基于市场的利益分配机制，以确保实体能够 整个流程的所有阶段，包括数据供给、处理、流通和应用，均能获得基于市场的价值回报，并能够分享数据红利。鼓励数据需求侧主体通过采购、合作等方式增加投资，充分发挥政府部门