1. “人工智能+數(shù)據(jù)要素”協(xié)同推動高質(zhì)量數(shù)據(jù)集建設(shè)

  2025年2月，高質(zhì)量數(shù)據(jù)集建設(shè)工作啟動會在京召開，27個國家部委代表參加，會議落實“人工智能+”行動，推動高質(zhì)量數(shù)據(jù)集建設(shè)，高效賦能行業(yè)發(fā)展。北京、遼寧、河北、貴州等地積極推動人工智能高質(zhì)量數(shù)據(jù)集建設(shè)，開放重點行業(yè)領(lǐng)域數(shù)據(jù)集，打造“AI數(shù)據(jù)工廠”，為高質(zhì)量數(shù)據(jù)集的建設(shè)和應(yīng)用提供了有力的政策保障。

2. 大模型技術(shù)突破性進展重構(gòu)了數(shù)據(jù)工程范式

  DeepSeek通過自動化推理和數(shù)據(jù)生成技術(shù)，實現(xiàn)數(shù)據(jù)標(biāo)注方式的智能化升級；采用數(shù)據(jù)蒸餾技術(shù)提煉低質(zhì)數(shù)據(jù)有效信息，結(jié)合自動化篩選與人類專家反饋機制，形成“機器預(yù)處理+人工校準(zhǔn)”的雙層質(zhì)檢流程；運用強化學(xué)習(xí)框架，聚焦推理能力培養(yǎng)，構(gòu)建了包含60萬條推理型樣本與20萬條非推理型樣本的訓(xùn)練集，優(yōu)化模型架構(gòu)。

3. 數(shù)據(jù)已成為人工智能行業(yè)應(yīng)用落地的核心護城河

  在算法趨同、算力普惠的背景下，高質(zhì)量、高價值密度的數(shù)據(jù)資源構(gòu)建起企業(yè)差異化競爭力。垂直領(lǐng)域的數(shù)據(jù)壁壘通過業(yè)務(wù)場景閉環(huán)持續(xù)積累，形成模型性能的代際優(yōu)勢。“數(shù)據(jù)-算法-應(yīng)用”相互強化的生態(tài)閉環(huán)的形成，將確立難以復(fù)制的戰(zhàn)略壁壘。

  當(dāng)前，高質(zhì)量數(shù)據(jù)集建設(shè)正處于探索階段，主要面臨目標(biāo)定位模糊化、實施路徑碎片化與技術(shù)底座薄弱化三重挑戰(zhàn)。

1. 目標(biāo)定位模糊化

  數(shù)據(jù)集建設(shè)常陷入“為數(shù)據(jù)而數(shù)據(jù)”的誤區(qū)，智能場景需求與數(shù)據(jù)集建設(shè)目標(biāo)脫節(jié)，企業(yè)未將數(shù)據(jù)工程目標(biāo)與核心業(yè)務(wù)指標(biāo)深度綁定，導(dǎo)致數(shù)據(jù)價值難以轉(zhuǎn)化為模型性能提升。

2. 實施路徑碎片化

  從數(shù)據(jù)采集到模型訓(xùn)練的全鏈路缺乏系統(tǒng)性規(guī)劃和設(shè)計，無法形成體系化數(shù)據(jù)集構(gòu)建和維護機制，造成多源異構(gòu)數(shù)據(jù)標(biāo)準(zhǔn)難統(tǒng)一、跨部門跨層級難協(xié)作，致使清洗、標(biāo)注等數(shù)據(jù)處理成本激增。

3. 技術(shù)底座薄弱化

  現(xiàn)有數(shù)據(jù)處理技術(shù)難以應(yīng)對復(fù)雜人工智能場景需求，多模態(tài)數(shù)據(jù)處理能力不足，制約模型迭代與應(yīng)用規(guī)模化。同時，缺乏適配行業(yè)特性的工具鏈，自動化程度低，人力依賴嚴(yán)重，工程落地效率受阻，行業(yè)特性適配工具鏈缺失。

1. 組織管理

  全方位解決人工智能數(shù)據(jù)工程項目管理效率、團隊協(xié)同能力以及技術(shù)應(yīng)用標(biāo)準(zhǔn)化等問題。

  一是項目管理。旨在通過科學(xué)規(guī)劃、精細(xì)執(zhí)行與靈活調(diào)整，確保高質(zhì)量數(shù)據(jù)集項目按時交付，成本可控。

  二是組織建設(shè)。旨在設(shè)計并實施一個高效、協(xié)同的組織結(jié)構(gòu)，確保從數(shù)據(jù)采集到模型應(yīng)用的有效管理和支持。

  三是人才管理。旨在建設(shè)一支跨學(xué)科、跨專業(yè)、跨領(lǐng)域的交叉復(fù)合型的大模型數(shù)據(jù)工程人才團隊。

  四是標(biāo)準(zhǔn)應(yīng)用。旨在圍繞大模型數(shù)據(jù)技術(shù)、平臺、應(yīng)用、管理、安全等方面，制定數(shù)據(jù)服務(wù)標(biāo)準(zhǔn)和操作規(guī)范。

2. 開發(fā)維護

  人工智能數(shù)據(jù)集構(gòu)建包括數(shù)據(jù)設(shè)計、數(shù)據(jù)采集匯聚、數(shù)據(jù)預(yù)處理、數(shù)據(jù)標(biāo)注、數(shù)據(jù)質(zhì)檢等共性關(guān)鍵技術(shù)和環(huán)節(jié)。

  一是共性人工智能數(shù)據(jù)工程技術(shù)工具，構(gòu)建標(biāo)準(zhǔn)化底層能力。數(shù)據(jù)設(shè)計規(guī)劃階段，依據(jù)需求形成數(shù)據(jù)集設(shè)計方案和知識索引體系，梳理內(nèi)外部數(shù)據(jù)資源，形成模型數(shù)據(jù)資源地圖；數(shù)據(jù)采集匯聚階段，構(gòu)建多源異構(gòu)數(shù)據(jù)連接器，通過元數(shù)據(jù)管理實現(xiàn)數(shù)據(jù)血緣追蹤。預(yù)處理與標(biāo)注階段，研發(fā)自動化工具鏈，例如基于規(guī)則引擎的異常值清洗模塊、弱監(jiān)督標(biāo)注工具；質(zhì)量評估階段，建立“模型-數(shù)據(jù)”質(zhì)量反饋評估能力，聯(lián)動修復(fù)工具實現(xiàn)閉環(huán)優(yōu)化。

  二是定制人工智能數(shù)據(jù)工程技術(shù)方案，面向應(yīng)用的深度適配。預(yù)訓(xùn)練階段通過定向采集領(lǐng)域知識，結(jié)合數(shù)據(jù)增強技術(shù)擴充樣本多樣性，消除訓(xùn)練數(shù)據(jù)性別、地域等潛在偏見。指令微調(diào)階段開發(fā)任務(wù)導(dǎo)向的數(shù)據(jù)構(gòu)造工具，例如將用戶問答數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化思維鏈數(shù)據(jù)集。反饋對齊階段需搭建人類反饋閉環(huán)系統(tǒng)，設(shè)計多維度評價指標(biāo)，利用偏好學(xué)習(xí)模型對齊人工評價與模型輸出。此外，還需針對行業(yè)特性定制方案，確保數(shù)據(jù)工程與業(yè)務(wù)目標(biāo)深度耦合。

3. 質(zhì)量控制

  數(shù)據(jù)質(zhì)量直接決定大模型決策性能，需從評估準(zhǔn)則、技術(shù)工具與流程管控三方面系統(tǒng)性突破。

  一是評估準(zhǔn)則層面，需建立多維度的量化標(biāo)準(zhǔn)。除傳統(tǒng)數(shù)據(jù)質(zhì)量指標(biāo)外，需引入以模型訓(xùn)練為目標(biāo)的質(zhì)量評估。中國信通院建立“可信AI”人工智能數(shù)據(jù)集質(zhì)量評估體系（ADAQ），依據(jù)行業(yè)標(biāo)準(zhǔn)《面向人工智能的數(shù)據(jù)集質(zhì)量通用評估方法 總體要求》，涵蓋數(shù)據(jù)集完整性、規(guī)范性、準(zhǔn)確性、及時性、一致性等12個一級指標(biāo)和36個二級指標(biāo)。

  二是技術(shù)工具層面，需融合自動化與智能化手段。ADAQ體系自建人工智能數(shù)據(jù)集質(zhì)量評估工具平臺，按照“規(guī)則檢測+人工抽樣+模型效果”實現(xiàn)數(shù)據(jù)集質(zhì)量評估項目執(zhí)行。

  三是全流程監(jiān)控層面，需貫穿數(shù)據(jù)生命周期。從采集階段元數(shù)據(jù)追蹤，到預(yù)處理環(huán)節(jié)異常值實時清洗，再到模型訓(xùn)練質(zhì)量反饋閉環(huán)。ADAQ體系與“方升”大模型基準(zhǔn)測試體系形成協(xié)同，通過對比模型輸出與訓(xùn)練數(shù)據(jù)集，反向定位低質(zhì)數(shù)據(jù)區(qū)間并提出優(yōu)化機制。

4. 資源運營

  構(gòu)建“資源管理、開放共享、流通交易”三位一體機制，破解數(shù)據(jù)資源“存不好、管不住、用不活”的難題。

  一是資源管理層面，需建立覆蓋數(shù)據(jù)全生命周期的管理框架。以“資源目錄”為索引，構(gòu)建高質(zhì)量數(shù)據(jù)集分類分級體系。采用模型專家和業(yè)務(wù)專家聯(lián)合的數(shù)據(jù)治理機制，按照模型需求梳理專業(yè)數(shù)據(jù)加工和標(biāo)注策略。

  二是開放共享層面，需考慮數(shù)據(jù)集和模型應(yīng)用場景雙重要素。完整呈現(xiàn)采集來源、環(huán)境參數(shù)、結(jié)構(gòu)規(guī)模、質(zhì)量指標(biāo)、隱私策略。明確開放時限、應(yīng)用范圍限制及版權(quán)協(xié)議，平衡開放力度與風(fēng)險管控。制定開放許可協(xié)議，規(guī)范數(shù)據(jù)供需方權(quán)責(zé)與使用方式。

  三是流通交易層面，符合現(xiàn)有交易流通機制，鼓勵模型數(shù)據(jù)生態(tài)合作。明晰權(quán)屬，構(gòu)建登記追溯體系，統(tǒng)一交易標(biāo)準(zhǔn)與合同范本，保障交易合規(guī)透明。鼓勵數(shù)據(jù)方和模型方合作共建，形成資源融合推動產(chǎn)品和應(yīng)用創(chuàng)新，建立共享聯(lián)盟與合作框架，形成協(xié)同共進的流通生態(tài)。

5. 合規(guī)可信

  數(shù)據(jù)合規(guī)可信是大模型可信的基石，需從數(shù)據(jù)合規(guī)與數(shù)據(jù)可信雙向發(fā)力，確保數(shù)據(jù)應(yīng)用合法合規(guī)、版權(quán)清晰、質(zhì)量可靠、效果可溯。

  一是數(shù)據(jù)合規(guī)以安全性、法律遵循和版權(quán)規(guī)范為核心，覆蓋多重維度。數(shù)據(jù)需嚴(yán)格符合《中華人民共和國網(wǎng)絡(luò)安全法》《中華人民共和國個人信息保護法》《生成式人工智能服務(wù)管理暫行辦法》等相關(guān)法律法規(guī)。明確數(shù)據(jù)采集、生成、加工過程中的版權(quán)歸屬，避免權(quán)屬糾紛，規(guī)范數(shù)據(jù)使用與分發(fā)的版權(quán)授權(quán)，確保數(shù)據(jù)來源合法，使用范圍符合授權(quán)約定。

  二是數(shù)據(jù)可信圍繞來源、治理、結(jié)果、效果構(gòu)建質(zhì)量閉環(huán)。來源可信強調(diào)真實性、準(zhǔn)確性、合法性，驗證數(shù)據(jù)采集過程的客觀性。治理過程可信要求方案與流程透明可解釋，治理規(guī)則清晰留痕，操作過程可追溯。結(jié)果可信要求數(shù)據(jù)分布合理，降低偏見樣本率、毒化樣本率，提升邊緣案例覆蓋度與標(biāo)注準(zhǔn)確性，避免因數(shù)據(jù)偏倚導(dǎo)致模型決策偏差。效果可通過模型訓(xùn)練效果驗證價值，對比治理前后模型的準(zhǔn)確率、泛化能力等表現(xiàn)，以效果反推數(shù)據(jù)治理的有效性。

  人工智能邁向“數(shù)據(jù)驅(qū)動”的關(guān)鍵階段，人工智能數(shù)據(jù)工程能力建設(shè)也將從“經(jīng)驗驅(qū)動”向“標(biāo)準(zhǔn)驅(qū)動”的深刻變革。高質(zhì)量數(shù)據(jù)集不僅是模型性能提升的核心載體，更是激活數(shù)據(jù)要素價值、構(gòu)建智能生態(tài)的戰(zhàn)略基石。