数据工厂白皮书

一、人工智能发展进入奇点时刻

• 词元调用量爆发式增长： 2025年，全国词元日调用量达100万亿，两年增长超千倍，表明大模型应用广泛。
• 推理数据量首次超过训练数据量： 2025年，人工智能推理数据量达101.34EB，首次超过训练数据量，标志着人工智能进入规模化应用阶段。
• 计算驱动成为数据生产主要方式： 系统软件、人工智能产生的数据量首次超过摄像头、传感器等物联感知数据量。
• 智能体成为互联网主要操作者： 2026年6月，全球HTML网页请求中，机器人流量占57.5%，表明互联网进入机器可阅读/智能体可阅读的网络时代。
• 高质量数据集成为人工智能瓶颈： 存量公域数据供给乏力，私域数据、非结构化数据、行业高端数据无法有效供给，导致大模型能力趋同，难以突破专业场景应用。

二、面向人工智能的数智产业链已形成

• 大模型快速演进推动人工智能应用普及： 2022年底，人工智能进入大模型发展阶段；2024年底，实现“算力平权”和“算法平权”；2025年底，智能体横空出世，促进人工智能大模型向各行各业渗透；2026年初，人工智能大模型广泛应用的时代已经到来。
• 智能体已成为人工智能落地的应用载体： 通过将行业通识高质量数据集“喂养”给通用大模型和行业大模型，形成应用于各个企业、业务、流程、环节的智能体，并实现智能体间的互联互通和群体协作。
• 面向人工智能应用的数智产业链已形成： 包括上游（通用高质量数据集、通用大模型）、中上游（行业通识高质量数据集、行业大模型）、中下游（行业专识高质量数据集、智能体应用工具）、下游（数据作为关键生产要素）、底座（全国一体化算力网）五个环节。
• 全国各领域高质量数据集正在加快布局： 国家层面加速布局高质量数据集和智能体建设，各行业正加速实践高质量数据集和智能体应用，各地区加大对高质量数据集建设的支持力度。

三、数智产业链存在三个薄弱环节

• 数据资源“供不出”问题依然普遍存在： 全社会普遍缺乏付费使用数据的意识，非结构化数据采集难度大成本高。
• 行业数据“存不好”导致规模效应不够： 高价值行业数据分散保存，缺少完善的数据资源保存规范和指引。
• 高质量数据集“作坊式”生产效率低下： 高质量数据集构建投入产出不成比例，行业领域公共数据场景化加工程度不足，数据加工技术存在优化空间，专业人才供给难以充分满足需求。

四、数据工厂是高质量数据集规模化生产的关键设施

• 资源型基础设施规模化需要供给、流通、利用三环节协同： 水厂、电厂、石化企业等资源型基础设施的发展需要供给、流通、利用三个环节的紧密协同。
• 数据基础设施亟需加快供给环节的设施化建设： 在流通环节，国家数据基础设施已初步建成；在利用环节，国家数据基础设施从“建得好”向“用得好”转变；但在供给环节，面向人工智能大模型训练推理的高质量数据集规模化生产设施建设仍是薄弱环节。
• 数据工厂能为智能化应用持续提供“数据燃料”： 数据工厂是国家数据基础设施的基本构成单元，是突破人工智能发展瓶颈的有效手段，是高质量数据集的规模化生产设施，是数据全生命周期的综合产业形态。

五、国内外数据工厂探索实践概况

• 国外典型数据工厂概述： 美国Scale AI、星际之门项目、欧洲数据中心、欧洲数据实验室、Parse Biosciences、Bioptimus、笛卡尔实验室等。
• 国内典型数据工厂概述： 崖州湾国家实验室“繁|未来农业智能枢纽”超级数据工厂、贵州主枢纽存力中心暨数据要素保障基地、库帕思“语料超级工厂”、京津冀数据要素产业园人工智能数据工厂、广东省先进存力中心、帕西尼具身智能超级数据工厂、上海徐汇区“模速空间”、北京经开区“模数世界”、珠海市“模数空间”、北京石景山区“大模型超级工厂”等。
• 国内外数据工厂发展现状总结： 供给环节建立了多元稳定的数据来源渠道，生产环节形成了设施化规模化的生产能力，应用环节聚焦人工智能训练的场景需求。

六、数据工厂的涵义、类型和特点

• 数据工厂涵义： 数据工厂是国家数据基础设施的基本构成单元，是突破人工智能发展瓶颈的有效手段，是高质量数据集的规模化生产设施，是数据全生命周期的综合产业形态。
• 数据工厂类型： 集中式数据工厂、半集中式数据工厂、分布式数据工厂。
• 数据工厂特点： 多样化、设施化、规模化、标准化、AI化。

七、数据工厂的构成、定位和功能

• 数据工厂及其构成： 广义数据工厂（国家数据基座、国家数据工厂、国家人工智能训练场）、狭义数据工厂（储备车间、生产车间、中试车间）。
• 广义数据工厂及其构成： 国家数据基座（集中存储、分级储备）、国家数据工厂（“10+16+N”体系）、国家人工智能训练场（通用基础大模型训练场、行业垂直大模型训练场、企业智能体训练场）。
• 狭义数据工厂及其构成： 储备车间（数据采集中心、数据存储中心、数据管理中心）、生产车间（数据加工中心、数据标注中心）、中试车间（模型评估中心、数据集维护和更新中心）。

八、数据工厂的建设、运营和部署

• 数据工厂的建设模式： 数据标注企业升级、数据存储基地转型、人工智能企业延伸、技术企业创新设立。
• 数据工厂的运营机制： 保障模式、定制模式、电商模式、结对子模式。
• 数据工厂的部署策略： 底座部署通识数据集的数据工厂，重要功能设施部署行业通识数据集的数据工厂，业务节点部署行业专识数据集的数据工厂。

九、发展数据工厂新业态政策建议

• 加快制定促进数据工厂发展政策： 加大数据资源供给，启动数据工厂建设，启动人工智能训练场建设。
• 启动数据工厂相关标准研制： 数据资源汇聚类标准、数据集生产类标准、数据集质量评估类标准。
• 突破数据工厂关键技术瓶颈： 非结构化数据采集技术、海量数据存储管理技术、智能化数据加工技术、数据集质量评估技术。
• 加强数据工厂支撑平台建设： 数据资源汇聚平台、数据集生产平台、统一数据流通基础设施、人工智能训练平台。