AI浪潮下的数据科技创新研究报告2026

第一章 数据科技创新的时代背景与战略价值

1.1 国家战略持续强化数据领域科技创新布局

国家层面持续加强数据科技创新部署，推动创新资源向数据领域汇聚。2025年12月，国家数据局印发《关于加强数据科技创新的实施意见》，明确以数据要素市场化配置改革为主线，以数据科技创新支撑数字中国、数字经济、数字社会高质量发展为根本目标，系统部署核心技术攻关、成果应用转化和创新生态培育等重点任务，并提出到2027年数据供给、流通、利用、安全等关键技术和设备实现阶段性突破，到2030年数据领域关键技术达到国际领先水平。2024年12月，国家发展改革委、国家数据局、工业和信息化部联合印发《国家数据基础设施建设指引》，明确以构建高速互联、高效调度、开放普惠、安全可靠的国家数据基础设施为核心。2024年11月，国家数据局印发《可信数据空间发展行动计划（2024—2028年）》，提出到2028年建成100个以上可信数据空间。2026年4月，工业和信息化部、国家数据局联合印发《关于联合实施2026年“模数共振”行动的通知》，提出推动人工智能模型与数据资源协同互促，促进形成“数据—模型—场景应用”良性循环。

1.2 数据产业发展推动数据科技创新需求持续升级

数据资源快速增长、形态日趋复杂，对数据供给技术提出更高要求。2025年，我国数据生产总量达到52.26泽字节，同比增长27.28%，其中企业数据贡献了约九成的数据生产增量；具身智能、低空经济等新兴领域数据生产量分别增长477.78%和75%。数据产品和服务加快丰富，对数据流通和开发利用技术形成更强需求。2025年，我国企业数据技术投入同比增长17.37%，数据产品和服务数量同比增长29.29%，交易额同比增长39.8%；2024年全国数据企业数量超过40万家，数据产业规模达到5.86万亿元。行业应用数智化水平持续提升，推动数据科技向专业化和场景化方向发展。例如，医疗人工智能发展需要大规模、高质量的专业训练数据，相关实践已形成覆盖24个主要病种的46万例高质量训练数据和4.4万例金标准测试数据；交通运输则更加关注数据实时汇聚、动态感知和跨主体协同。

1.3 数据科技创新成为全球数字竞争的重要领域

数据开发利用能力日益成为主要经济体提升数字竞争力的重要基础。主要经济体持续加强数据管理和开发利用能力建设，反映出数据能力正在成为支撑数字化发展和提升综合竞争力的重要基础。数据基础设施建设成为提升数据流通利用能力的重要抓手。跨主体、跨行业、跨区域的数据流动规模不断扩大，对数据连接、可信交互、协同处理等技术能力提出更高要求。数据科技创新水平日益成为国家数字竞争力的重要体现。一个国家能否形成先进、稳定并持续演进的数据科技能力，将直接影响其数据开发利用水平和数字产业发展能力，数据科技创新由此成为衡量国家数字竞争力的重要方面。

第二章 数据科技创新特征与全生命周期视角

2.1 数据科技创新的内涵特征

数据科技创新是指围绕数据这一新型生产要素，在数据形成、获取、组织、处理、使用、流通和退出过程中形成的科学方法、关键技术、工程工具和基础设施创新活动。其核心目标是持续提升数据供给质量、处理效率、开发利用能力、流通效率和安全可信水平。当前数据科技创新正呈现多技术融合、跨环节联动和系统化发展的新特征，包括数据、模型与应用场景之间的协同关系不断增强，创新方式由单环节技术优化向跨环节协同演进，技术机制由规则驱动向智能驱动转变，价值实现由阶段性交付向持续反馈闭环演进，安全可信由外围保障向全过程内生能力拓展。

2.2 数据科技创新的全生命周期分析框架

本研究报告将数据全生命周期作为分析数据科技创新的重要视角，从数据价值形成全过程出发，分析各环节的核心任务、关键技术及其相互关系，以系统揭示人工智能驱动下数据科技由单点技术突破向跨环节协同演进的总体趋势。报告将数据科技创新划分为八个关键环节：数据形成与采集、数据传输与接入、数据存储、数据加工处理、数据开发利用、数据共享交换、数据流通交易以及数据归档销毁，强调各环节并非简单线性衔接，而是在模型评测、业务应用和使用反馈作用下形成跨环节协同与动态循环。

第三章 数据全生命周期关键技术演进趋势

3.1 数据供给：由被动采集向主动生成演进

数据形成与采集是数据全生命周期的起点，重点关注数据源建模、多模态采集、自动标注、质量控制和来源追溯。随着大模型训练对高质量、多模态和长尾数据的需求持续增长，数据供给正向真实采集、仿真生成、智能标注和可信评测协同演进。未来数据供给将形成真实数据、合成数据和智能生成数据协同发展的新模式。

3.2 数据连接：由周期搬运向实时自治演进

数据传输与接入承接数据形成与采集环节，重点关注协议适配、数据接入、格式转换、路由调度和链路控制。随着实时业务、多源异构系统和跨云跨域连接需求持续增长，数据连接正向事件驱动、持续可观测和自适应自治方向演进。未来数据连接将形成以实时感知、智能调节和可信运行保障为特征的新型数据基础设施。

3.3 数据存储：由分立存储向语义融合演进

数据存储承接数据传输与接入环节，重点关注数据模型、分布式组织、事务一致性、索引管理、权限控制、备份恢复和冷热分层等能力。随着大模型应用对知识关联、语义检索和多模态数据管理的需求加快增长，数据底座正向开放格式、统一目录和多引擎协同的语义融合方向演进。未来数据存储将由多引擎组合走向语义融合的数据智能底座。

3.4 数据加工：由规则执行向智能协同演进

数据加工处理承接数据采集、传输和存储环节，重点关注清洗、转换、融合、标注、特征构造和质量控制。随着数据规模持续增长、数据类型日益复杂以及人工智能应用对高质量数据需求不断提升，数据加工正向智能化、语义化和协同化方向演进。未来数据加工将由“规则驱动、离线处理”走向“语义驱动、流批融合、智能协同”。

3.5 数据利用：由辅助分析向闭环决策演进

数据开发利用承接数据加工处理环节，重点关注查询分析、数据挖掘、机器学习、知识组织和智能应用。随着企业语义层建设不断完善、实时智能决策需求日益增强以及大模型应用加快普及，数据利用正向意图驱动、智能体协同和持续闭环方向演进。未来数据开发利用将由“工具辅助分析”走向“智能体驱动的决策闭环”。

3.6 数据共享：由开放交换向可信协同演进

数据共享交换是连接数据开发利用与数据流通交易的重要环节，重点关注数据资源发现、身份认证、权限控制、过程审计和安全协同。随着数据要素跨主体、跨行业利用需求不断增长，数据共享模式正由以数据汇聚和接口互通为核心的开放交换模式，向以可信身份、使用规则和全过程审计为基础的可信协同模式转变。未来数据共享交换将由平台化建设向服务化、可信化和持续协同演进。

3.7 数据流通：由产品交付向持续服务演进

数据流通交易是数据资源由内部使用走向市场化配置的重要环节，重点关注登记、授权、评估、交付和结算。随着数据基础制度不断完善以及人工智能应用对高质量数据资源需求持续增长，数据流通模式正在由以数据挂牌和数据包交付为主的传统交易方式，向围绕数据使用权、服务接口和计算结果的持续授权模式转变。未来数据流通交易将由平台化交易向服务化运营演进，形成数据价值持续释放的新模式。

3.8 数据归档销毁：由末端处置向闭环治理演进

数据归档销毁位于数据生命周期末端，重点关注保管期限管理、长期保存、恢复验证、安全删除、介质处置和销毁审计等能力。随着云原生架构、数据湖以及人工智能训练数据规模持续增长，数据归档销毁正由传统的“存得住、删得掉”向智能化生命周期管理和可验证删除演进。未来数据归档销毁将由“完成数据处置”向“证明合规处置”演进，形成智能化生命周期管理体系。

第四章 数据科技创新展望

4.1 加强政策统筹衔接，强化重点领域精准支持

数据科技创新涉及科技研发、基础设施、产业发展、人才培养等多个方面，相关政策之间的关联程度持续提高。面向下一阶段，可进一步加强不同领域、不同层级政策之间的统筹衔接，增强政策目标、支持方向和资源配臵之间的协调性，为数据科技创新持续发展提供稳定支撑。

4.2 推动关键技术攻关，提升数据科技创新能力

数据科技涉及数据生成、处理、利用、流通和安全等多个技术领域，需要围绕影响数据高质量供给、高效处理、可信流通和深度利用的关键问题加强技术攻关。关键技术攻关应突出基础性、共性和前沿性方向，并推动数据技术与模型能力相互促进，探索适应人工智能应用的新型数据处理方式。

4.3 壮大数据科技产业，深化重点行业融合应用

数据开发利用需求持续增长，为数据科技产业发展提供了较为广阔的市场基础。数据科技产业的专业化发展特征正在显现，行业融合正在成为数据科技产业发展的重要牵引。面向产业持续发展，还需要增强数据科技规模化应用能力。

4.4 汇聚多元创新主体，营造开放协同创新生态

数据科技创新越来越依赖多类主体共同参与，企业、高校、科研院所、科技企业和行业用户等主体已广泛参与数据科技研发和应用。专业化评测验证服务将成为创新生态中的重要支撑。人才、数据、技术和应用场景等创新资源的流动也将成为生态建设的重要内容。跨技术、跨行业协作正在拓宽数据科技创新生态的边界。