郝政 陳陣《依托高價值場景促進人工智能高質量數據集建設》

【學思踐悟】

當前，隨著人工智能走進千行百業的具體場景，模型的性能躍升越來越依賴數據與場景的深度耦合。習近平總書記在2026世界人工智能大會暨人工智能全球治理高級別會議開幕式上的主旨講話中強調，“全面促進人工智能科技創新、產業發展、場景應用”。“十五五”規劃綱要提出，“依托高價值場景推動模型應用落地和迭代升級”。隨著《關於深入實施“人工智能+”行動的意見》《關於推進行業高質量數據集建設行動的實施方案》等政策文件圍繞高質量數據集建設作出針對性部署，高價值場景在高質量數據集建設中的作用愈發凸顯。

當前，大模型、多模態、智能體快速演進，決定模型落地效果的不再是通用語料數據的簡單堆積，而是能否圍繞具體任務形成高知識密度、高匹配度、高反饋性的專用數據供給。在這種趨勢下，離開真實場景，數據往往只能停留在被動獲取的資源形態﹔進入真實場景，數據才能沉澱為模型能力、轉化為產業能力、上升為治理能力。例如，醫療領域中某肺結節檢測模型訓練數據集僅利用1萬多例數據和亞毫米級病灶邊界勾畫的標注信息，便使早期肺癌篩查中的假陽性率大幅下降﹔工業質檢場景中某企業通過合成數據等技術生成了10萬種“極端缺陷樣本”，有效彌補了真實生產中罕見缺陷數據不足，使產品質量缺陷識別覆蓋率大幅提升。面對我國數據資源豐富、產業體系完備、市場空間巨大的疊加優勢，需要更加注重數據的代表性、多樣性和場景適配性，以高價值場景促進人工智能高質量數據集建設。

所謂高價值場景，是數據集合與模型應用相互作用、持續演進的實踐空間，是界定任務邊界、篩選有效樣本、檢驗模型性能、改進治理風險的重要載體。高質量數據集是指經過採集、加工等數據處理，可直接用於開發和訓練人工智能模型、有效提升模型表現的數據集合，通常能夠體現出規模“大”、安全“牢”、觀點“正”、效果“好”、應用“廣”等特征。高質量數據集的檢驗標准，既要看准確性、完整性、一致性、時效性、多樣性、真實性和合規性等靜態指標，也要看其在代表性模型訓練和應用中的實際效果。也就是說，高質量數據集不是“收得多”就行，關鍵在於能不能理解真實任務、支撐真實應用、提升真實能力。

隨著人工智能從“數字世界”走向“物理世界”，高價值場景與高質量數據集之間的關系，顯著體現為場景、數據、模型三者之間的並行演化、相互塑形、動態耦合。以高價值場景為牽引，以高質量數據集為紐帶，以模型能力迭代為目標，推動需求發現、數據生成、能力形成、效果反饋，彼此貫通、循環提升。這一過程是驅動人工智能從技術研發走向能力驗証和產業應用的內在機制。為此，應將高質量數據集建設放到“以場景牽引數據、以數據支撐模型、以模型反哺場景”的系統中來把握，其核心是讓人工智能模型能夠深度解析“這裡發生了什麼”“關系如何”“為什麼會這樣”等問題，以實現數據集合與具體場景的深度耦合。

從功能定位看，沒有高價值場景，數據就缺少任務邊界，模型就缺少能力坐標，投入也難以形成產出閉環。其中，高價值場景居於牽引地位，貫穿數據建設和模型演進的全過程，回答的是問題從哪裡來、價值向哪裡去、任務如何界定、效果如何檢驗。數據集合居於支撐地位，需要把場景中的原始信息、業務知識、操作經驗和反饋信號，經過匯聚、清洗、標注、合成、評測、流通和治理，沉澱為可訓練、可驗証、可遷移、可復用的數據資產。模型應用則居於轉化地位，通過訓練、調優、部署和反饋，把數據資源轉化為認知能力、決策能力和執行能力，並在運行過程中反過來發現數據短板、校正任務定義、推動場景升級。因此，脫離高價值場景來談高質量數據集，容易陷入“數據越多越好”的數量迷思﹔脫離高質量數據集來談高價值場景，又容易陷入“場景很多卻難以規模化落地”的應用困境。場景定義需求，數據承載知識，模型生成能力，三者共同構成閉環。

高質量數據集建設本身是一項系統工程，需要制度、技術、標准、生態協同發力，將高價值場景對高質量數據集建設的推動作用充分發揮出來。

首先，把准“場景選什麼”。真正的高價值場景，應當是既服務於國家戰略全局、現代化產業體系建設和智能向善的治理需要，又具備明確任務目標、清晰業務流程、持續數據產出和可復制推廣潛力的重點場景。要緊扣“十五五”規劃、“人工智能+”行動等頂層部署，圍繞科技創新、產業發展、民生福祉、社會治理等重點方向，聚焦交通、醫療、金融、制造、農業、政務服務等領域的痛點堵點，形成分層分類的高價值場景清單。明確哪裡是國家戰略和現實需求的結合點，哪裡就應成為高質量數據集建設的發力點。

其次，把“場景語言”轉化為“數據語言”。場景不能直接等同於數據集，中間必須經過任務拆解、流程映射、標簽體系設計和評測規則重構。一是圍繞識別、理解、推理、決策、執行、反饋等關鍵環節，明確需要什麼數據、需要到什麼粒度、怎樣保証質量、如何劃定合規邊界。二是把行業知識和場景知識嵌入數據集合全過程，依據基礎認知、場景理解、行動規劃三個層次來整合數據資源，並把模型驗証嵌入建設流程，使“數據需求—數據規劃—數據採集—數據處理—模型驗証—反饋迭代”真正形成閉環。這樣建設出來的數據集，才能從“可訓練”進一步走向“可解釋”“可遷移”“可復用”。

再次，著力構建協同供給體系和運營體系。高質量數據集不可能由單一主體獨立完成，而是需要政府部門、鏈主企業、平台企業、科研機構、數據服務機構等共同參與。要推動公共數據資源開發利用，支持企業有條件開放數據，促進跨行業跨領域數據互通共享。同時依托可信數據空間、數據交易平台等數據服務基礎設施，推動多源異構數據在合規前提下安全匯聚、高效檢索、可靠評測、可信流通和規模化應用。更重要的是，要樹立“以用促建”理念，圍繞用戶需求響應、成本精細管理、質量安全維護和生態協同發展，形成從建設到運營再到迭代優化的長效機制。

最后，要落到制度規范和治理能力建設上來。當前制約高質量數據集建設的，既有場景轉化不夠的問題，也有數據不精、標准不一、規則不清等問題。對此，應堅持靜態質量與動態質量並重，既看數據本身是否真實、完整、多樣、合規，也看其對模型性能提升是否有效、對實際應用支撐是否可靠。一是規范數據供給，加強重點行業數據標注，完善質量評價規范。對數據交易流通、收益分配、產權登記等問題，要在法治軌道上持續細化規則，推動數據供得出、流得動、用得好。二是保障數據合規復用，在不干擾正常運行、不破壞有效技術措施、不損害合法權益前提下鼓勵場景加工和價值增值。三是探索建立全生命周期數據質量監測和反饋糾偏機制。發揮高價值場景的“數據監測器”功能，建立模型迭代反饋鏈條，加快推動數據資源優勢轉化為人工智能發展優勢。