政府工作報(bào)告，為什么點(diǎn)名“高質(zhì)量數(shù)據(jù)集” | 海斌訪談

人工智能時(shí)代，高質(zhì)量數(shù)據(jù)受到政策重視。

2026年政府工作報(bào)告提到，要打造智能經(jīng)濟(jì)新形態(tài)。數(shù)據(jù)是人工智能的燃料，政府工作報(bào)告提及，要深化數(shù)據(jù)資源開(kāi)發(fā)利用，健全數(shù)據(jù)要素基礎(chǔ)制度，建設(shè)高質(zhì)量數(shù)據(jù)集。

“數(shù)據(jù)質(zhì)量直接影響模型的表現(xiàn)。”五一視界（06651.HK）首席技術(shù)官鮑世強(qiáng)對(duì)第一財(cái)經(jīng)記者表示。人工智能從生成式AI（比如文生圖）向物理AI（比如人形機(jī)器人）進(jìn)化，但訓(xùn)練物理AI所需要的強(qiáng)交互數(shù)據(jù)，在互聯(lián)網(wǎng)世界難以找到。“進(jìn)入物理AI，數(shù)據(jù)問(wèn)題的重要程度、嚴(yán)峻程度更大了。”

高質(zhì)量數(shù)據(jù)日漸稀缺

政府對(duì)于人工智能的期待在提高。

2026年政府工作報(bào)告，要求深化拓展“人工智能+”，促進(jìn)新一代智能終端和智能體加快推廣，推動(dòng)重點(diǎn)行業(yè)領(lǐng)域人工智能商業(yè)化規(guī)模化應(yīng)用，培育智能原生新業(yè)態(tài)新模式。

3月6日，國(guó)家發(fā)展改革委主任鄭柵潔在十四屆全國(guó)人大四次會(huì)議經(jīng)濟(jì)主題記者會(huì)上說(shuō)，“十五五”末人工智能相關(guān)產(chǎn)業(yè)規(guī)模將增長(zhǎng)到10萬(wàn)億元以上。

這不是政府工作報(bào)告第一次提及人工智能和數(shù)據(jù)。2025年政府工作報(bào)告同樣提到，持續(xù)推進(jìn)“人工智能+”行動(dòng)，加快完善數(shù)據(jù)基礎(chǔ)制度，深化數(shù)據(jù)資源開(kāi)發(fā)利用，促進(jìn)和規(guī)范數(shù)據(jù)跨境流動(dòng)。

2026年政府工作報(bào)告，進(jìn)一步點(diǎn)名“建設(shè)高質(zhì)量數(shù)據(jù)集”。

數(shù)據(jù)，是人工智能發(fā)展不可或缺的燃料。

人工智能的發(fā)展，有賴于三個(gè)維度的進(jìn)步：算力、算法和數(shù)據(jù)。相比數(shù)據(jù)，芯片所代表的算力和深度學(xué)習(xí)等代表的算法更廣為人知。實(shí)際上，在大語(yǔ)言模型訓(xùn)練過(guò)程中，高質(zhì)量數(shù)據(jù)非常重要。

數(shù)據(jù)也分優(yōu)劣。比如乾隆所作的1500首詩(shī)，沒(méi)辦法與杜甫的1500首詩(shī)相提并論；《自然》雜志發(fā)表的論文質(zhì)量，遠(yuǎn)高過(guò)網(wǎng)絡(luò)上流傳的小作文。優(yōu)質(zhì)的數(shù)據(jù)，更有可能訓(xùn)練出優(yōu)質(zhì)的大語(yǔ)言大模型。

何況，人工智能從感知AI、生成式AI、智能體AI逐步向物理AI演進(jìn)。它們對(duì)于數(shù)據(jù)的要求更高了。

在互聯(lián)網(wǎng)上，各類文字、圖片、視頻數(shù)據(jù)相對(duì)豐富，它們可以用來(lái)訓(xùn)練生成式AI，大語(yǔ)言模型和視覺(jué)模型因此可以產(chǎn)出優(yōu)質(zhì)的文字、視頻和圖片。比如，豆包開(kāi)發(fā)的Seedance2.0模型已經(jīng)可以產(chǎn)生栩栩如生的視頻。

鮑世強(qiáng)認(rèn)為，在物理AI階段，數(shù)據(jù)問(wèn)題變得更加突出和嚴(yán)峻了。這些互聯(lián)網(wǎng)數(shù)據(jù)，很難用于物理AI訓(xùn)練，比如智能駕駛和人形機(jī)器人。

智能駕駛的早期階段，低級(jí)別的智駕車輛上路需要人工干預(yù)，行駛途中收集到的數(shù)據(jù)用于提高智能駕駛的能力；現(xiàn)在智能駕駛已進(jìn)入規(guī)模化量產(chǎn)應(yīng)用階段。

“智能駕駛現(xiàn)在面對(duì)的核心問(wèn)題之一，不再只是數(shù)據(jù)量，而是數(shù)據(jù)價(jià)值密度的問(wèn)題。我可以獲取大量的數(shù)據(jù)，但是這里邊真正對(duì)訓(xùn)練、測(cè)試有價(jià)值的數(shù)據(jù)比例還在下降。因?yàn)椋邱{能力比較差的時(shí)候，外部數(shù)據(jù)都有用；隨著智駕能力提升，正常數(shù)據(jù)沒(méi)有太大的作用了。那種危險(xiǎn)的工況，或者奇怪場(chǎng)景的數(shù)據(jù)，更有價(jià)值。”鮑世強(qiáng)表示。

具身智能、人形機(jī)器人訓(xùn)練所需高質(zhì)量數(shù)據(jù)，比智能駕駛更加復(fù)雜和難以獲取。

真實(shí)世界里，汽車通常運(yùn)行在可控的道路環(huán)境上；而人形機(jī)器人在真實(shí)世界運(yùn)轉(zhuǎn)的話，必須適應(yīng)更多樣化的需求，比如爬上一座小山，從洗衣機(jī)里取出衣物并折疊好。

“具身智能，我認(rèn)為目前落地的關(guān)鍵瓶頸之一，實(shí)際上就是數(shù)據(jù)。因?yàn)榫呱碇悄苄枰獜?qiáng)交互環(huán)境的數(shù)據(jù)。互聯(lián)網(wǎng)上文本數(shù)據(jù)、圖像數(shù)據(jù)、視頻數(shù)據(jù)，這些都不會(huì)跟你產(chǎn)生動(dòng)作交互，它是一個(gè)死的數(shù)據(jù)，并不能直接使用。”鮑世強(qiáng)表示。

數(shù)據(jù)，如何能更好

生成式AI快速發(fā)展后，幾乎耗盡了公共領(lǐng)域的數(shù)據(jù)。

這些公域數(shù)據(jù)，比如科技期刊論文，互聯(lián)網(wǎng)小說(shuō)等，已經(jīng)被人工智能充分利用。但是私域數(shù)據(jù)還沒(méi)有被充分挖掘，在制藥產(chǎn)業(yè)、服裝品牌、醫(yī)院等千行百業(yè)，隱藏著高質(zhì)量、高價(jià)值的數(shù)據(jù)。這些垂直領(lǐng)域的行業(yè)數(shù)據(jù)，很多都沒(méi)有收集或激活，更沒(méi)有被大模型所習(xí)得。

大語(yǔ)言模型回答通用問(wèn)題的能力已經(jīng)非常強(qiáng)了。它能力的進(jìn)一步提升，所需要的數(shù)據(jù)不再只是通用互聯(lián)網(wǎng)數(shù)據(jù)，而是垂直領(lǐng)域的專家知識(shí)，比如醫(yī)療影像數(shù)據(jù)和醫(yī)生的真知灼見(jiàn)。

除了私域數(shù)據(jù)，合成數(shù)據(jù)也被寄予厚望。

大模型公司階躍星辰方面認(rèn)為，2026年AI數(shù)據(jù)集有望在合成數(shù)據(jù)、多模態(tài)融合、垂直領(lǐng)域深耕上取得顯著進(jìn)展，合成數(shù)據(jù)將成為核心突破方向。

所謂合成數(shù)據(jù)，是指通過(guò)生成模型、仿真、重建擴(kuò)展等方式，在原始數(shù)據(jù)上產(chǎn)生的更多的數(shù)據(jù)。比如《論語(yǔ)》是原始數(shù)據(jù)，但此后各代大家所撰寫的《論語(yǔ)》注釋，則可被簡(jiǎn)略視為合成數(shù)據(jù)。

理論上，合成數(shù)據(jù)的規(guī)模是沒(méi)有上限的，但合成數(shù)據(jù)的質(zhì)量是關(guān)鍵。合成數(shù)據(jù)通常難以達(dá)到真實(shí)數(shù)據(jù)的質(zhì)量，因此影響大模型的訓(xùn)練效果。

2026年開(kāi)年，OpenClaw等智能體的驚艷表現(xiàn)令世界矚目。2026年智能體滲透率有望實(shí)現(xiàn)大的飛躍。這使得智能體場(chǎng)景的數(shù)據(jù)合成，成為大模型企業(yè)的核心競(jìng)爭(zhēng)力。階躍星辰方面認(rèn)為，結(jié)合具體的智能體應(yīng)用，從真實(shí)場(chǎng)景、真實(shí)需求中提取并合成長(zhǎng)鏈智能體數(shù)據(jù)，對(duì)模型性能有至關(guān)重要的作用。

在物理AI領(lǐng)域，真實(shí)交互數(shù)據(jù)目前仍然是基礎(chǔ)。合成數(shù)據(jù)通常建立在真實(shí)數(shù)據(jù)基礎(chǔ)之上，用于擴(kuò)展覆蓋范圍、增強(qiáng)長(zhǎng)尾樣本和提升訓(xùn)練與測(cè)試效率。換言之，這是完成1-100的工作；而具身智能現(xiàn)在尚且缺乏0-1階段的數(shù)據(jù)積累，合成數(shù)據(jù)也還沒(méi)法發(fā)揮最大功效。

鮑世強(qiáng)表示，當(dāng)下具身智能的很多核心工作，就是圍繞獲取0-1階段的交互數(shù)據(jù)而展開(kāi)的。比如，不少企業(yè)通過(guò)員工穿戴配置了傳感器的手套操作，或者遙控操作機(jī)器人完成多樣化的動(dòng)作而采集相關(guān)數(shù)據(jù)。

“遙操真機(jī)去采集的方式，數(shù)據(jù)質(zhì)量肯定是最高的，但是這個(gè)方式主要的問(wèn)題是成本很高。”鮑世強(qiáng)說(shuō)，所以現(xiàn)在很多地方都在建創(chuàng)新中心，支持?jǐn)?shù)據(jù)集的建設(shè)。國(guó)家層面也希望通過(guò)整個(gè)行業(yè)的力量去解決基礎(chǔ)數(shù)據(jù)獲取的問(wèn)題。

數(shù)據(jù)的標(biāo)準(zhǔn)化，也有待推進(jìn)。

“當(dāng)前數(shù)據(jù)標(biāo)準(zhǔn)體系仍不完善。不要說(shuō)具身智能了，即使在智駕領(lǐng)域，不同廠商之間在數(shù)據(jù)格式、語(yǔ)義定義、標(biāo)注體系和質(zhì)量要求上也存在較大差異，導(dǎo)致數(shù)據(jù)復(fù)用和共享成本很高。”鮑世強(qiáng)期待，2026年在數(shù)據(jù)的標(biāo)準(zhǔn)化方面有一些進(jìn)展，這也能促進(jìn)數(shù)據(jù)的共享。